一种基于多任务学习的动态不完整数据分类方法

摘要

本发明公开了一种基于多任务学习的动态不完整数据分类方法，属于数据挖掘技术领域。本发明包括两部分：网络模型和分类方案。在网络模型部分，本发明基于去跟踪自编码器搭建多任务学习模型，以并行学习属性的拟合函数和类标签的概率分布。在分类方案部分，本发明包括模型训练和模型应用两个模块。模型训练模块中，网络参数和训练集的缺失值作为代价函数的变量实现协同更新。模型应用模块中，本发明固定网络参数，将缺失值视为代价函数的变量以实现不完整样本的动态学习。缺失值的动态优化促使网络模型逐渐匹配于不完整数据内部的回归和分类结构，网络的准确性随着训练的深入不断提升。