CN104572993A - 一种基于遗传算法的分类算法参数优化方法 - Google Patents
一种基于遗传算法的分类算法参数优化方法 Download PDFInfo
- Publication number
- CN104572993A CN104572993A CN201510004522.3A CN201510004522A CN104572993A CN 104572993 A CN104572993 A CN 104572993A CN 201510004522 A CN201510004522 A CN 201510004522A CN 104572993 A CN104572993 A CN 104572993A
- Authority
- CN
- China
- Prior art keywords
- parameter
- algorithm
- value
- fitness
- population
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000002068 genetic effect Effects 0.000 title claims abstract description 25
- 238000005457 optimization Methods 0.000 title claims abstract description 21
- 238000007635 classification algorithm Methods 0.000 title abstract 5
- 230000006870 function Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 6
- FNMKZDDKPDBYJM-UHFFFAOYSA-N 3-(1,3-benzodioxol-5-yl)-7-(3-methylbut-2-enoxy)chromen-4-one Chemical compound C1=C2OCOC2=CC(C2=COC=3C(C2=O)=CC=C(C=3)OCC=C(C)C)=C1 FNMKZDDKPDBYJM-UHFFFAOYSA-N 0.000 claims description 3
- 230000006978 adaptation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 abstract description 4
- 108091026890 Coding region Proteins 0.000 abstract 1
- 230000004083 survival effect Effects 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009396 hybridization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Genetics & Genomics (AREA)
- Probability & Statistics with Applications (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开一种基于遗传算法的分类算法参数优化方法，属于算法参数优化领域，具体步骤为：①制定编码及解码规则；②种群初始化；③循环迭代；④解码得到最优参数；本发明针对分类算法的参数优化问题，通过将所有参数按照数值进行离散化并按顺序连接为一个二进制编码序列，每一个体对应一个二进制串，分类算法的各考核指标数值加权作为适应度，由该适应度作为判定个体优劣的标准，维护一个群体，群体包括若干个体，通过交叉、变异、选择按照优胜劣汰的原则不断的更新这个群体，将最终获得的群体进行译码对应相应的参数数值，进而得到最优的参数组合，该方法适用于各种对参数敏感受参数约束的分类算法中。
Description
技术领域
本发明公开一种分类算法参数优化方法，属于算法参数优化领域，具体地说是一种基于遗传算法的分类算法参数优化方法。
背景技术
遗传算法是计算数学中用于解决最佳化的搜索算法，是进化算法的一种。进化算法最初是借鉴了进化生物学中的一些现象而发展起来的，这些现象包括遗传、突变、自然选择以及杂交等。遗传算法通常实现方式为一种计算机模拟。分类，Categorization or Classification，就是按照某种标准给对象贴标签，再根据标签来区分归类。分类是事先定义好类别，类别数不变。
而分类算法是模式识别和数据挖掘领域中非常重要的问题，多数分类算法中包含一些可变的参数，这些参数在一定程度上影响了分类算法的性能和效率。参数的选择及优化是多数分类算法运用的关键，本发明针对分类算法的参数优化问题，提出一种基于遗传算法的分类算法参数优化方法。该方法将所有参数按照数值进行离散化并按顺序连接为一个二进制编码序列，每一个体对应一个二进制串，分类算法的各考核指标数值加权作为适应度，由该适应度作为判定个体优劣的标准，维护一个群体，群体包括若干个体。通过交叉、变异、选择按照优胜劣汰的原则不断的更新这个群体，将最终获得的群体进行译码对应相应的参数数值，进而得到最优的参数组合，该方法适用于各种对参数敏感受参数约束的分类算法中。
发明内容
本发明针对分类算法的参数优化问题，提出一种基于遗传算法的分类算法参数优化方法，实现了针对群体进行译码对应相应的参数数值，进而得到最优的参数组合，该方法适用于各种对参数敏感受参数约束的分类算法中。
本发明提出的具体方案是：
一种基于遗传算法的分类算法参数优化方法，具体步骤为：
①制定编码及解码规则：根据分类算法的性能指标采集数据信号，对采集数据信号的参数制定二进制串与参数数值一一对应，对于每个参数，规定其取值范围为[a,b],数值取值精度为v,则二进制串的长度为：
L=[log2(b-a)/v；
编码时，对于任意在[a,b]范围内该参数的取值x,其二进制串对应的整数值：
xint=[(x-a)/v]；
解码时，对于任意一个小于2L-1的正整数n,其对应的该参数的取值为：
（n+0.5）v+a；
②种群初始化：对于每个参数的取值作为一个个体，并将多个个体集合为一个种群，同时种群中的所有个体均进行二进制串对应后形成初始化种群；初始化种群中各个体适应度值计算：对于分类算法的数据集，将所有的数据样本随机分为训练样本和测试样本,采用适应度函数，函数的输入即为编码之后的二进制串，函数的计算过程描述如下：从二进制串解码得到各个参数数值，分别记为；将上述参数带入分类算法中，得到分类算法评估的指标，分别记为；将上述的得到的指标进行加权求和，即所得的适应度，其计算公式如下：
；
③循环迭代：对二进制串进行循环迭代，更新这个群体，需要多次计算适应度，计算过的参数组合的指标可保存到数据库或内存中，循环迭代时需要先查表该参数组合是否存在，如存在则取出对应指标即可，如不存在则重新计算各指标并保存，循环迭代到一定次数达到；
④解码得到最优参数：对步骤③中最终获得的群体进行解码对应相应的参数数值，群体中所有个体的适应度值，选出群体中适应度值高的多个个体作为子代群体，进而得到最优的参数组合，判断是否终止：当进化群体中个体的最大适应度值大于或等于预先设定的适应度设定值时，遗传算法终止并输出当前所获得群体中最优的参数组合；否则，返回步骤③，继续进行循环迭代。
所述的步骤①中分类算法的性能指标指的是：
训练时间：利用参数训练时，所耗费的实际时间，要多次进行训练，取所有训练时间的中值；
分类时间：利用该参数得到的分类模型对测试样本进行分类时，所耗费的实际时间，为保证时间的准确性，要多次进行训练和分类，取所有时间的中值；
训练样本准确率：利用该参数训练时，算法结束时对训练样本分类的准确率，多次进行训练，取所有训练样本准确率的中值；
测试样本准确率：利用该参数分类时，算法对测试样本分类的准确率；
测试样本召回率：利用该参数分类时，算法对测试样本分类的召回率。
所述的步骤②中计算适应度时，在加权平均之前，对各个指标进行去量纲归一化的操作：随机选择一系列参数组合，分别应用分类算法到上述数据集，得到每个考核指标的实际取值，对具体的考核指标，分别计算最小值和最大值，对应的考核指标进行最大最小值归一化操作,将其数值归一化到[0,1]区间内。某些考核指标如时间，由于需要时间越短越好，该类型的考核指标在上步骤的基础上用1减掉对应数值，一般操作可根据实际应用的需要，按照经验进行自定义。
所述的步骤③循环迭代采用交叉、变异及更新的方式，交叉遵循一般遗传算法交叉方法，即将两个二进制串的每个二进制串分为两部分，然后两个串分别进行交换；变异遵循一般遗传算法变异方法，随机选择二进制串中的一个，对其进行取反操作；更新将经过交叉及变异操作之后得到的新二进制串种群和原二进制串种群混合，取其中部分适应度作为新种群。可以设置为固定值，也可以随着迭代的进行根据适应度改变进行有策略的改变。
所述的步骤③中取其中适应度在前45%-70%的个体作为新种群。
所述的步骤②所有的数据样本随机分为训练样本和测试样本，其数量比为1:5-2。
本发明中使用的基本算法可以重新编写，也可以采用现有程序包。
本发明的有益之处是：本发明针对分类算法的参数优化问题，通过将所有参数按照数值进行离散化并按顺序连接为一个二进制编码序列，每一个体对应一个二进制串，分类算法的各考核指标数值加权作为适应度，由该适应度作为判定个体优劣的标准，维护一个群体，群体包括若干个体。通过交叉、变异、选择按照优胜劣汰的原则不断的更新这个群体，将最终获得的群体进行译码对应相应的参数数值，进而得到最优的参数组合，该方法适用于各种对参数敏感受参数约束的分类算法中。
附图说明
图1本发明方法流程示意图。
具体实施方式
结合附图对本发明做进一步说明。
一种基于遗传算法的分类算法参数优化方法，具体步骤为：
①制定编码及解码规则：根据分类算法的性能指标采集数据信号，对采集数据信号的参数制定二进制串与参数数值一一对应，对于每个参数，规定其取值范围为[a,b],数值取值精度为v,则二进制串的长度为：
L=[log2(b-a)/v；
编码时，对于任意在[a,b]范围内该参数的取值x,其二进制串对应的整数值：
xint=[(x-a)/v]；
解码时，对于任意一个小于2L-1的正整数n,其对应的该参数的取值为：
（n+0.5）v+a；
分类算法的性能指标指的是：
训练时间：利用参数训练时，所耗费的实际时间，要多次进行训练，取所有训练时间的中值；
分类时间：利用该参数得到的分类模型对测试样本进行分类时，所耗费的实际时间，为保证时间的准确性，要多次进行训练和分类，取所有时间的中值；
训练样本准确率：利用该参数训练时，算法结束时对训练样本分类的准确率，多次进行训练，取所有训练样本准确率的中值；
测试样本准确率：利用该参数分类时，算法对测试样本分类的准确率；
测试样本召回率：利用该参数分类时，算法对测试样本分类的召回率；
②种群初始化：对于每个参数的取值作为一个个体，并将多个个体集合为一个种群，同时种群中的所有个体均进行二进制串对应后形成初始化种群；初始化种群中各个体适应度值计算：对于分类算法的数据集，将所有的数据样本随机分为训练样本和测试样本, 二者数量比为1:5，采用适应度函数，函数的输入即为编码之后的二进制串，函数的计算过程描述如下：从二进制串解码得到各个参数数值，分别记为；将上述参数带入分类算法中，得到分类算法评估的指标，分别记为；将上述的得到的指标进行加权求和，即所得的适应度，其计算公式如下：
；
③循环迭代：对二进制串进行循环迭代，更新这个群体，需要多次计算适应度，计算过的参数组合的指标可保存到数据库或内存中，循环迭代时需要先查表该参数组合是否存在，如存在则取出对应指标即可，如不存在则重新计算各指标并保存，循环迭代到一定次数达到；
循环迭代采用交叉、变异及更新的方式，交叉遵循一般遗传算法交叉方法，即将两个二进制串的每个二进制串分为两部分，然后两个串分别进行交换；变异遵循一般遗传算法变异方法，随机选择二进制串中的一个，对其进行取反操作；更新将经过交叉及变异操作之后得到的新二进制串种群和原二进制串种群混合，取其中适应度在前的50%个体作为新种群。
④解码得到最优参数：对步骤③中最终获得的群体进行解码对应相应的参数数值，群体中所有个体的适应度值，选出群体中适应度值高的多个个体作为子代群体，进而得到最优的参数组合，判断是否终止：当进化群体中个体的最大适应度值大于或等于预先设定的适应度设定值时，遗传算法终止并输出当前所获得群体中最优的参数组合；否则，返回步骤③，继续进行循环迭代。
此外，本发明还可以在步骤②中计算适应度时，在加权平均之前，对各个指标进行去量纲归一化的操作：随机选择一系列参数组合，分别应用分类算法到上述数据集，得到每个考核指标的实际取值，对具体的考核指标，分别计算最小值和最大值，对应的考核指标进行最大最小值归一化操作,将其数值归一化到[0,1]区间内。某些考核指标如时间，由于需要时间越短越好，该类型的考核指标在上步骤的基础上用1减掉对应数值，一般操作可根据实际应用的需要，按照经验进行自定义。
Claims (6)
1.一种基于遗传算法的分类算法参数优化方法,其特征是具体步骤为：
①制定编码及解码规则：根据分类算法的性能指标采集数据信号，对采集数据信号的参数制定二进制串与参数数值一一对应，对于每个参数，规定其取值范围为[a,b],数值取值精度为v,则二进制串的长度为：
L=[log2(b-a)/v；
编码时，对于任意在[a,b]范围内该参数的取值x,其二进制串对应的整数值：
xint=[(x-a)/v]；
解码时，对于任意一个小于2L-1的正整数n,其对应的该参数的取值为：
（n+0.5）v+a；
②种群初始化：对于每个参数的取值作为一个个体，并将多个个体集合为一个种群，同时种群中的所有个体均进行二进制串对应后形成初始化种群；初始化种群中各个体适应度值计算：对于分类算法的数据集，将所有的数据样本随机分为训练样本和测试样本,采用适应度函数，函数的输入即为编码之后的二进制串，函数的计算过程描述如下：从二进制串解码得到各个参数数值，分别记为；将上述参数带入分类算法中，得到分类算法评估的指标，分别记为；将上述的得到的指标进行加权求和，即所得的适应度，其计算公式如下：
；
③循环迭代：对二进制串进行循环迭代，更新这个群体，需要多次计算适应度，计算过的参数组合的指标可保存到数据库或内存中，循环迭代时需要先查表该参数组合是否存在，如存在则取出对应指标即可，如不存在则重新计算各指标并保存，循环迭代到一定次数达到；
④解码得到最优参数：对步骤③中最终获得的群体进行解码对应相应的参数数值，群体中所有个体的适应度值，选出群体中适应度值高的多个个体作为子代群体，进而得到最优的参数组合，判断是否终止：当进化群体中个体的最大适应度值大于或等于预先设定的适应度设定值时，遗传算法终止并输出当前所获得群体中最优的参数组合；否则，返回步骤③，继续进行循环迭代。
2.根据权利要求1所述的一种基于遗传算法的分类算法参数优化方法,其特征是所述的步骤①中分类算法的性能指标指的是：
训练时间：利用参数训练时，所耗费的实际时间，要多次进行训练，取所有训练时间的中值；
分类时间：利用该参数得到的分类模型对测试样本进行分类时，所耗费的实际时间，为保证时间的准确性，要多次进行训练和分类，取所有时间的中值；
训练样本准确率：利用该参数训练时，算法结束时对训练样本分类的准确率，多次进行训练，取所有训练样本准确率的中值；
测试样本准确率：利用该参数分类时，算法对测试样本分类的准确率；
测试样本召回率：利用该参数分类时，算法对测试样本分类的召回率。
3.根据权利要求1或2所述的一种基于遗传算法的分类算法参数优化方法,其特征是所述的步骤②中计算适应度时，在加权平均之前，对各个指标进行去量纲归一化的操作：随机选择一系列参数组合，分别应用分类算法到上述数据集，得到每个考核指标的实际取值，对具体的考核指标，分别计算最小值和最大值，对应的考核指标进行最大最小值归一化操作,将其数值归一化到[0,1]区间内。
4.根据权利要求3所述的一种基于遗传算法的分类算法参数优化方法,其特征是所述的步骤③循环迭代采用交叉、变异及更新的方式，交叉遵循一般遗传算法交叉方法，即将两个二进制串的每个二进制串分为两部分，然后两个串分别进行交换；变异遵循一般遗传算法变异方法，随机选择二进制串中的一个，对其进行取反操作；更新将经过交叉及变异操作之后得到的新二进制串种群和原二进制串种群混合，取其中部分适应度作为新种群。
5.根据权利要求4所述的一种基于遗传算法的分类算法参数优化方法,其特征是所述的步骤③中取其中适应度在前45%-70%的个体作为新种群。
6.根据权利要求4或5所述的一种基于遗传算法的分类算法参数优化方法,其特征是所述的步骤②所有的数据样本随机分为训练样本和测试样本，其数量比为1:5-2。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510004522.3A CN104572993A (zh) | 2015-01-06 | 2015-01-06 | 一种基于遗传算法的分类算法参数优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510004522.3A CN104572993A (zh) | 2015-01-06 | 2015-01-06 | 一种基于遗传算法的分类算法参数优化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN104572993A true CN104572993A (zh) | 2015-04-29 |
Family
ID=53089055
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510004522.3A Pending CN104572993A (zh) | 2015-01-06 | 2015-01-06 | 一种基于遗传算法的分类算法参数优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104572993A (zh) |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107170442A (zh) * | 2017-05-11 | 2017-09-15 | 北京理工大学 | 基于自适应遗传算法的多参数优化方法 |
| CN107293120A (zh) * | 2017-07-24 | 2017-10-24 | 重庆大学 | 一种基于遗传算法的交通事件检测算法的参数自整定方法 |
| CN107977283A (zh) * | 2016-10-24 | 2018-05-01 | 爱思开海力士有限公司 | 具有ldpc解码器的存储器系统及其操作方法 |
| CN108465244A (zh) * | 2018-03-30 | 2018-08-31 | 腾讯科技（深圳）有限公司 | 用于竞速类ai模型的ai参数配置方法、装置、设备及存储介质 |
| CN109766991A (zh) * | 2019-01-14 | 2019-05-17 | 电子科技大学 | 一种采用对抗性训练的人工智能优化系统及方法 |
| CN109783867A (zh) * | 2018-12-17 | 2019-05-21 | 西安工程大学 | 一种西服领型遗传算法自动设计编码解码方法 |
| CN109947745A (zh) * | 2019-03-28 | 2019-06-28 | 浪潮商用机器有限公司 | 一种数据库优化方法及装置 |
| CN110457545A (zh) * | 2019-08-16 | 2019-11-15 | 第四范式（北京）技术有限公司 | 一种确定推荐系统中排序模型的参数的方法及装置 |
| CN110659736A (zh) * | 2019-08-01 | 2020-01-07 | 广东工业大学 | 一种识别进化算法参数化效应的可视化系统 |
| CN111967505A (zh) * | 2020-07-31 | 2020-11-20 | 武汉市教云慧智信息技术有限公司 | 一种面向智慧营销的随机森林模型的参数调优方法 |
| CN110033089B (zh) * | 2019-04-17 | 2021-03-26 | 山东大学 | 基于分布式估计算法的手写体数字图像识别深度神经网络参数优化方法及系统 |
| CN113869513A (zh) * | 2021-09-17 | 2021-12-31 | 中林信达（北京）科技信息有限责任公司 | 一种基于遗传算法的分类规则阈值优化方法 |
| CN113869514A (zh) * | 2021-09-17 | 2021-12-31 | 中林信达（北京）科技信息有限责任公司 | 一种基于遗传算法的多知识集成与优化方法 |
| CN114446472A (zh) * | 2021-12-14 | 2022-05-06 | 新绎健康科技有限公司 | 一种十二经络区间优化方法 |
| CN115693787A (zh) * | 2023-01-03 | 2023-02-03 | 国网江西省电力有限公司经济技术研究院 | 考虑源荷随机性的光储配电网新能源接纳能力分析方法 |
| CN117689011A (zh) * | 2023-12-28 | 2024-03-12 | 杭州汇健科技有限公司 | 一种模型调整方法、装置、设备及存储介质 |
-
2015
- 2015-01-06 CN CN201510004522.3A patent/CN104572993A/zh active Pending
Cited By (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107977283A (zh) * | 2016-10-24 | 2018-05-01 | 爱思开海力士有限公司 | 具有ldpc解码器的存储器系统及其操作方法 |
| CN107977283B (zh) * | 2016-10-24 | 2021-05-25 | 爱思开海力士有限公司 | 具有ldpc解码器的存储器系统及其操作方法 |
| CN107170442A (zh) * | 2017-05-11 | 2017-09-15 | 北京理工大学 | 基于自适应遗传算法的多参数优化方法 |
| CN107293120A (zh) * | 2017-07-24 | 2017-10-24 | 重庆大学 | 一种基于遗传算法的交通事件检测算法的参数自整定方法 |
| CN108465244A (zh) * | 2018-03-30 | 2018-08-31 | 腾讯科技（深圳）有限公司 | 用于竞速类ai模型的ai参数配置方法、装置、设备及存储介质 |
| CN108465244B (zh) * | 2018-03-30 | 2019-05-07 | 腾讯科技（深圳）有限公司 | 用于竞速类ai模型的ai参数配置方法、装置、设备及存储介质 |
| WO2019184777A1 (zh) * | 2018-03-30 | 2019-10-03 | 腾讯科技（深圳）有限公司 | 用于竞速类ai模型的ai参数配置方法、装置、设备及存储介质 |
| US11911702B2 (en) | 2018-03-30 | 2024-02-27 | Tencent Technology (Shenzhen) Company Limited | AI parameter configuration method and apparatus for racing AI model, AI parameter configuration device, and storage medium |
| CN109783867A (zh) * | 2018-12-17 | 2019-05-21 | 西安工程大学 | 一种西服领型遗传算法自动设计编码解码方法 |
| CN109766991A (zh) * | 2019-01-14 | 2019-05-17 | 电子科技大学 | 一种采用对抗性训练的人工智能优化系统及方法 |
| CN109947745A (zh) * | 2019-03-28 | 2019-06-28 | 浪潮商用机器有限公司 | 一种数据库优化方法及装置 |
| CN110033089B (zh) * | 2019-04-17 | 2021-03-26 | 山东大学 | 基于分布式估计算法的手写体数字图像识别深度神经网络参数优化方法及系统 |
| CN110659736A (zh) * | 2019-08-01 | 2020-01-07 | 广东工业大学 | 一种识别进化算法参数化效应的可视化系统 |
| CN110457545A (zh) * | 2019-08-16 | 2019-11-15 | 第四范式（北京）技术有限公司 | 一种确定推荐系统中排序模型的参数的方法及装置 |
| CN111967505A (zh) * | 2020-07-31 | 2020-11-20 | 武汉市教云慧智信息技术有限公司 | 一种面向智慧营销的随机森林模型的参数调优方法 |
| CN113869513A (zh) * | 2021-09-17 | 2021-12-31 | 中林信达（北京）科技信息有限责任公司 | 一种基于遗传算法的分类规则阈值优化方法 |
| CN113869514A (zh) * | 2021-09-17 | 2021-12-31 | 中林信达（北京）科技信息有限责任公司 | 一种基于遗传算法的多知识集成与优化方法 |
| CN113869514B (zh) * | 2021-09-17 | 2024-01-16 | 中林信达（北京）科技信息有限责任公司 | 一种基于遗传算法的多知识集成与优化方法 |
| CN113869513B (zh) * | 2021-09-17 | 2024-02-09 | 中林信达（北京）科技信息有限责任公司 | 一种基于遗传算法的分类规则阈值优化方法 |
| CN114446472A (zh) * | 2021-12-14 | 2022-05-06 | 新绎健康科技有限公司 | 一种十二经络区间优化方法 |
| CN115693787A (zh) * | 2023-01-03 | 2023-02-03 | 国网江西省电力有限公司经济技术研究院 | 考虑源荷随机性的光储配电网新能源接纳能力分析方法 |
| CN117689011A (zh) * | 2023-12-28 | 2024-03-12 | 杭州汇健科技有限公司 | 一种模型调整方法、装置、设备及存储介质 |
| CN117689011B (zh) * | 2023-12-28 | 2024-05-03 | 杭州汇健科技有限公司 | 一种模型调整方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104572993A (zh) | 一种基于遗传算法的分类算法参数优化方法 | |
| CN108228716B (zh) | 基于加权极限学习机的SMOTE_Bagging集成污水处理故障诊断方法 | |
| CN110209823A (zh) | 一种多标签文本分类方法及系统 | |
| CN108985327B (zh) | 一种基于因子分析的地形匹配区自组织优化分类方法 | |
| CN104050242A (zh) | 基于最大信息系数的特征选择、分类方法及其装置 | |
| CN104751228A (zh) | 深度神经网络的构建方法及系统 | |
| CN103810102A (zh) | 一种用于预测软件缺陷的方法和系统 | |
| CN103942568A (zh) | 一种基于无监督特征选择的分类方法 | |
| CN105303450A (zh) | 基于谱聚类改进交叉的复杂网络社区发现方法 | |
| CN106909972B (zh) | 一种传感器数据校准模型的学习方法 | |
| CN108009405A (zh) | 一种基于机器学习技术预测细菌外膜蛋白质的方法 | |
| CN113033786B (zh) | 基于时间卷积网络的故障诊断模型构建方法及装置 | |
| CN102819663A (zh) | 一种基于优化的支持向量回归参数的船舶航迹预测方法 | |
| CN112215278B (zh) | 一种遗传算法和蜻蜓算法相结合的多维数据特征选择方法 | |
| CN110019822B (zh) | 一种少样本关系分类方法及系统 | |
| CN104504442A (zh) | 神经网络优化方法 | |
| CN108510050A (zh) | 一种基于混洗蛙跳的特征选择方法 | |
| CN113505225B (zh) | 一种基于多层注意力机制的小样本医疗关系分类方法 | |
| CN110164412A (zh) | 一种基于lstm的音乐自动合成方法及系统 | |
| CN104657472A (zh) | 一种基于进化算法的英文文本聚类方法 | |
| CN107679550A (zh) | 一种数据集分类可用性的评估方法 | |
| CN104732067A (zh) | 一种面向流程对象的工业过程建模预测方法 | |
| CN104809229A (zh) | 一种文本特征词提取方法及系统 | |
| CN109615421A (zh) | 一种基于多目标进化算法的个性化商品推荐方法 | |
| CN104573331A (zh) | 一种基于MapReduce的K近邻数据预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150429 |