模型选择

摘要： AIC准则与留一法交叉验证是进行模型选择的常用方法。现有的证明二者渐近等价的方法是极大似然估计法。文章在线性模型的基础上,用删除残差与普通残差间的关系来推导AIC准则与留一法交叉验证对模型选择的效果,发现其是渐近等价的。这样的方法适用性更为广泛。最后通过仿真模拟和实际数据分析验证了结论。

摘要： 岩土工程现场及室内参数测试数据是工程施工、设计、评价的基础。异常数据的存在往往会误导施工、设计等参数的确定,数据异常检测是确保工程安全可靠的最基本但极为重要的工作。针对传统异常检测算法没有模型选择这一过程而导致检测的盲目性,提出了基于元学习的异常检测算法(meta-learning outlier detection,MetaOD)和数据挖掘算法相结合的异常检测模型体系。该体系首先根据数据的特点选择适合不同数据类型的初始模型类型及其参数,并对选择出的同类型算法的参数进行求均值处理;然后再采用遴选出的算法进行数据异常诊断,进而提高异常检测的准确性。为了评估模型的有效性,采用加州大学欧文分校提出的机器学习检验数据集(glass数据集)进行检验分析。结果显示,采用该模型体系进行异常检测时查准率达到96.41%,远高于其他检测算法。最后,应用该模型体系对澳门花岗岩单轴抗压强度数据集和均昌隧道的地下水位监测数据进行了异常检测分析,并分别识别出9个和10个异常点。

摘要： 为了讨论因子分析模型中超先验分布对变分贝叶斯估计结果的影响。首先,引入贝叶斯理论进行因子分析,提出因子分析模型的变分贝叶斯推断算法;然后,运用提出的算法对模型参数进行估计,并根据变分贝叶斯信息准则(Variational Bayes Information Criterion,VBIC)进行模型选择;最后,应用于合成数据集。实验结果表明,大约有90%的偏差绝对值小于0.1,证明了该算法的有效性;与参数未设置超先验分布相比,当参数设置超先验分布时,VBIC值减少,模型的参数估计效果更佳。

摘要： 讨论了近似贝叶斯计算(ABC)方法的改进算法ABC-SMC在实际建模过程中的模型选择和参数估计问题.ABC算法是一个似然自由的算法.当似然函数难以计算或没有精确解析形式的情形时,ABC算法规避了似然函数的计算,转而关注模型的生成模拟,这也是该算法的核心.ABC-SMC在经典的ABC框架上改造了抽样过程,利用序列蒙特卡罗策略逐步减小阈值,从而达到模型选择和参数估计的目的,避开了贝叶斯因子的计算.通过两个模型的模型选择和参数估计的详细阐述,将算法分析结果与真实情况相比较,表明ABC算法处理模型选择和参数估计问题的有效性.

摘要： 目前,随机森林(RF)算法在侧信道分析领域的潜力还没有得到充分利用。文章提出一种基于RF算法的侧信道攻击方法,分别从输入数据处理和参数控制两方面进行模型优化,在特征点选择和RF算法参数调优两方面进行改进。对于高维数据,首先使用SOST相关系数法选出100个特征点,然后对RF算法的各参数进行调优。实验结果表明,与采用默认参数值的基于RF算法的侧信道攻击相比,该方法的攻击成功率显著提高,模型的泛化能力也有一定程度的提高。

摘要： 本文针对一组具有过离散特征的保险索赔数据,采用对比分析的研究方法分别对泊松回归、负二项回归模型、泊松-逆高斯模型以及零膨胀泊松模型和零膨胀负二项模型进行探讨,主要采用AIC和BIC信息准则对模型加以比较。最终拟合结果显示,负二项回归模型和泊松-逆高斯对过离散型索赔数据的拟合效果相当,且两者均比泊松回归和零膨胀模型更佳;综合看泊松-逆高斯模型的效果表现为最佳。

摘要： 边缘智能指利用人工智能算法为网络边缘设备提供数据分析能力的一种服务形式。然而,边缘计算环境比云计算更加复杂和多变。在构建边缘智能的过程中存在很多问题,例如缺乏量化的评价标准、异构计算平台、复杂的网络拓扑、不断变化的用户需求等,其中比较突出的是算法模型的高资源需求与边缘设备资源储备低之间的矛盾。机器学习是边缘智能的主要工作负载,它需要大量的计算资源,然而边缘设备的计算资源有限,两者的供求关系并不匹配,边缘智能负载的部署和优化成为了一个难题。因此,针对边缘智能负载性能优化问题,文中提出了基于负载特征的边缘智能性能优化CECI(Cloud-Edge Collaborative Inference)策略,从模型选择、批量自适应调整和云边协同方面对不同机器学习负载进行了优化。在模型选择方面,使用基于目标权重的模型自适应选择策略,实现在多个条件约束下,综合权衡多个性能优化目标的效果。在批量自适应调整方面,提出了基于开销反馈的批量自适应调整算法,使得模型在运行时能够达到更好的性能。在云边协同方面,通过结合网络状态和用户时延要求设计出了云边协同策略,进而达到了动态利用云端计算资源的效果。实验结果表明,与云智能相比,所提出的基于负载特征的边缘智能能够缩短50.79%的程序运行时间,降低了42.46%的系统能耗,并提升了4.52%的模型准确率。

摘要： 模型选择是数学建模的基石,不同数学模型不仅影响建模过程,而且是影响模型的解与实际结果误差的重要因素。以“身高与体重关系”为例,探讨模型的选择问题,认识影响模型选择的主要因素,并给出模型选择和模型改进的基本观点。

摘要： Kriging模型是计算机试验的一种常用模型,因具有良好的非线性拟合能力而被广泛使用。本文在一般Kriging模型相关研究的基础上,研究了Kriging模型的变量选择问题,并给出了Elastic Net变量选择方法。与Lasso和adaptive Lasso相比,数值模拟表明Elastic Net变量选择方法能够提高拟合模型的准确性和稳定性。

摘要： 电力负荷数据具有非线性、非平稳的特点,基于机器学习的预测技术始终是负荷预测领域的研究热点.而模型选择,即包括参数优化、特征选择等一系列可以使模型达到最优状态的操作,是提高机器学习负荷预测模型性能的关键.为此,提出了一种基于二进制CLPSO算法的模型选择一体化策略,整合特征选择和参数优化过程,以提高SVM预测方法的自适应性.并以GEFCom2012竞赛的电力负荷数据为例进行实验,证明了所提出的一体化模型选择框架能够有效提高SVM模型的预测精确度.

摘要： 本文提出了改进后的用于诊断分类模型中模型选择的Wald统计量.尽管Wald统计量在DCM的模型选择中具有重要作用,但是以往研究(Ma,Iaconangelo,&de la Torre,2016;de la Torre&Lee,2013)中Wald统计量的表现并不好.本研究中共进行了两个模拟研究.模拟研究1的目的是检验分别使用观察信息矩阵以及三明治信息矩阵计算的用于模型选择的Wald统计量的一类错误控制率.模拟研究2的目的是检验以上两种方式构建的Wald统计量的统计检验力.模拟结果显示:(1)使用观察信息矩阵时,Wald统计量在DINA,C-RUM以及DINO模型上的一类错误控制率很接近预先设定的显著性水平.(2)当使用三明治信息矩阵构建Wald统计量时,DINA,C-CUM的一类错误控制率略低于预先设定的显著性水平.对于DINO而言,当时其一类错误控制率相对保守;当样本量较小且时,一类错误控制率膨胀.(3)对于DINA与DINO而言,用于模型选择的Wald统计量的统计检验力在所有条件上都很高.对于C-RUM而言,当样本量比较小且时,Wald统计量的统计检验力偏低.

摘要： 本文阐述了疗效比较研究(CER)的源数据管理与模型选择，如果现有资料中没有需要的数据，就应提出对一手数据进行收集或者链接到指定的数据库。如果一些关键数据在基本符合要求的数据集里难以收集到，就要考虑其他的方式补充数据。病人唯一识别标记(比如社会保险码)，为跨数据库查询提供可能。

摘要： 岩土工程勘察中,工程师通常从已知岩土性质间接估计岩土的其他性质.例如,工程师会根据岩样的标准点荷载指标(Is(50))间接估计岩石的单轴抗压强度(uniaxial compressive strength,UCS).间接估计时会应用Is(50)和UCS之间的回归模型,然而,现存文献中这种回归模型众多,使得工程师在具体工程应用中难以选择.基于此,阐述了如何通过贝叶斯方法结合Is(50)数据和现场先验信息选择模型,以及选定模型后如何对UCS进行概率表征.所述方法通过工程实例进行了说明.结果显示,所述方法可以单独依据Is(50)数据以及现场先验信息选出合适的模型.且依据所选模型进行UCS的概率表征结果和工程现场情况相吻合.

摘要： 价格数据对于指导产品生产以及调整行业结构具有重要意义,所以,使用产品的历史价格数据对未来价格趋势进行有效的预测显得尤为重要.唯有把握未来,才能做出正确的决策.在经济活动中,常常遇到这样的问题:已收集到某经济变量的若干历史数据,如何据以预测未来某时刻经济变量的取值。一般常用的有时间序列预测法和回归预测法.回归预测法充分考虑了对价格产生影响的某些重要因素，但容易以偏概全。时间序列预测法一方面承认事物发展的延续性，另一方面又充分考虑到事物发展偶然因素的影响产生的随机性，不管有多少因素影响了价格变化，最终都会反映到价格走势上，所以该方法只利用价格的历史数据，进行统计分析，用差分的方法消除波动的影响，进行趋势预测。时间序列预测技术就是通过对预测目标自身时间序列的处理，来研究其变化趋势。刚接触到一个观测序列时，会觉得它是杂乱无章，无规律可循。其实不然，一个时间序列是由长期趋势变动、季节变动、循环变动和不规则变动等变化形式叠加或耦合形成的。文章介绍了时间序列法在价格短期预测方面的理论基础和预测程序，包括参数估计和模型选择等，还指出应当指出的是，影响产品价格的因素很多，诸如供求、国家宏观经济调控及相关政策的影响等，这些因素将对未来时期产品的价格趋势造成很大影响，因此建议对已经建立的时间序列模型，必须以新的实际值来验证，并在现有基础上通过不断加入新的实际值来修正ARMA模型，从而使模型具有更好的预测性。

摘要： 随着知识经济时代的到来,知识已经成为企业或组织的强大竞争力.经过对中国知网和Web of Science的文献研究,利用CiteSpace软件得到网络社区知识转移研究的主要研究主题,从网络社区的内涵、影响网络社区知识转移的因素、网络社区知识转移的过程以及网络社区知识转移的机制和模型选择等方面对相关的研究进行分析,并提出未来的研究方向.网络社区可以根据社区成员的不同而灵活组合，为不同领域的社区成员提供了知识转移的环境，提高了知识转移的灵活性和效用性。今后的研究可以在已有的网络社区知识转移理论研究的基础上，进一步对网络社区知识转移进行研究和探讨，明确网络社区知识转移的过程对象和动因，并在对知识转移特性分析的基础上建立相应的模型或机制，来提高知识在网络社区中的转移效率，使不同的社区成员能更有效地获得不同的目标知识，帮助社区成员将获得的知识有效地运用到现实工作中。

摘要： 该文融合遍历论、粗粒化方法和信息论的观点研究数据流的非平稳性度量问题.引入了数据流的非平稳性度量的概念,给出了数据流非平稳性度量的有效的近似算法.数据流的非平稳性度量为0和1之间的实数,平稳性较好的数据流的非平稳性度量较小.作者将数据流的非平稳性度量应用到模型选择问题中,提出残差序列非平稳性度量最小化的模型选择标准.作者用数值试验检验了该文提出的数据流非平稳性度量的近似算法,并检验了其作为模型选择标准的能力.数值试验的结果表明,非平稳性度量是衡量数据流非平稳程度的一个合理指标,可以很好地区分趋势平稳数据和差分平稳数据,区分独立同分布序列、白噪声序列和鞅差序列.

摘要： 纹理分析中往往将彩色图像转换为灰度图以降低计算复杂度，这样就忽略了颜色信息。而利用主成分分析的方法将多通道彩色纹理降维，则可以尽可能的保留颜色和纹理信息。高斯图模型（Gaussian Graphical Models， GGM）可以很好的描述有交互作用的高维数据，因此可用来建立图像纹理模型。根据局部马尔可夫性和高斯变量的条件回归之间的关系，可将复杂的模型选择转变为较简单的变量选择。通过惩罚正则化方法，其邻域选择和参数估计可同步进行，然后提取纹理特征进行彩色纹理分析，实验显示了很好的效果。因此，结合主成分分析和高斯图模型来构建彩色纹理模型有很好的发展前景。

摘要： IBM机器学习数据科学家戴翼博士为大家介绍了相关内容.报告主要分为三个部分,第一部分是数据科学的概要,即什么叫数据科学、机器学习,它们之间有什么关系.数据科学是以数据驱动进行分析的,传统的数据科学是以问题驱动的,通过问题寻找已经存在的数据或者其他数据,通过这些数据找出模型,从而寻找最后的结果.

摘要： IBM机器学习数据科学家戴翼博士为大家介绍了相关内容.报告主要分为三个部分,第一部分是数据科学的概要,即什么叫数据科学、机器学习,它们之间有什么关系.数据科学是以数据驱动进行分析的,传统的数据科学是以问题驱动的,通过问题寻找已经存在的数据或者其他数据,通过这些数据找出模型,从而寻找最后的结果.

摘要： IBM机器学习数据科学家戴翼博士为大家介绍了相关内容.报告主要分为三个部分,第一部分是数据科学的概要,即什么叫数据科学、机器学习,它们之间有什么关系.数据科学是以数据驱动进行分析的,传统的数据科学是以问题驱动的,通过问题寻找已经存在的数据或者其他数据,通过这些数据找出模型,从而寻找最后的结果.

摘要： 一种用于生成算法模型的系统，包括用以生成满意度函数的功能模块、自动机器学习模块和UI模块。满意度函数基于算法模型准确性标准、算法模型质量标准、模型保真度标准以及模型部署的收益和成本的标准来定义单一满意度值。用户还可以指定关于这些和其他用户定义标准的特定硬约束和软约束。自动机器学习模块生成算法模型，这通过对照模型数据集训练算法模型，识别相对于如经由满意度函数组合的所有标准具有最大满意度的模型。UI模块生成一个用户界面来显示总体满意度以及用户配置的所有模型标准。显示的标准和满意度是可选择和可定义的。

摘要： 在实施例中，对于多个微型机器学习模型(MML模型)中的每个MML模型，训练预测第一数据集的相应超参数设置集的相应超参数预测器集。每个MML模型表示多个参考机器学习模型(RML模型)中的相应RML模型。从第一数据集生成第一多个数据集样本。生成第一多个第一元特征集。使用超调算法为所述每个MML模型生成相应的超参数设置目标集。第一多个第一元特征集和相应的超参数设置目标集用于训练相应的超参数预测器集。每个超参数预测器集用于提高为每个数据集选择RML模型的准确度。

摘要： 本申请提供了一种选择模型训练方法、模型选择方法、装置及电子设备，其中，该方法包括：获取历史训练数据集中的各项历史训练数据对应的训练模型集；根据历史训练数据集和训练模型集构建元训练数据集；使用元训练数据集对初始多分类模型进行训练，得到目标多分类模型，目标多分类模型用于根据训练数据集进行训练模型的选择。

摘要： 本发明涉及一种融合子集采样和模型选择的模型拟合方法，包括以下步骤：步骤S1：准备数据集；步骤S2：初始化采样子集；步骤S3：根据采样子集进行初步模型选择；步骤S4：根据模型选择的结果优化采样子集；步骤S5：根据优化的采样子集进一步选择模型；步骤S6：根据模型选择结果做下一步规划；步骤S7：根据拟合结果，对图像进行分割，完成模型拟合。本发明能够提高拟合的计算速度和拟合精度。

摘要： 基于时间序列预测模型适用性量化的预测模型选择方法，涉及时间序列预测模型预测领域。本发明是为了解决现有的时间序列特性预测方法对预测模型输出的预测结果预测角度单一，无法实现对预测模型性能的全面、综合的预测，导致预测效果差的问题。本发明根据每个预测模型的预测步长P、真实值xk和预测模型输出结果获得各预测模型的误差和预测效率，根据预测需求在m个预测模型中，结合各预测模型的误差和预测效率，选取满足预测需求的最优预测模型，若满足预测需求的预测模型为一个，则该预测模型为最优预测模型，若满足预测需求的预测模型为多个，则将多个预测模型两两进行预测能力差异性检验，获得一个最优的预测模型。它可用于对预测模型进行预测。

摘要： 本发明涉及一种基于深度学习的毫米波图像检测最优模型选择方法和装置，所述方法包括：采集二维毫米波人体图像；在二维毫米波人体图像上进行隐匿物品标注；将二维毫米波人体图像及对应标注出的隐匿物品信息输入到卷积神经网络进行训练，以得到一个模型序列；对模型序列中的每个模型选取最优隐匿物品阈值；对多个模型进行比较，确定出最优检测模型及对应的物品阈值。本发明通过对毫米波安检图像基于利用神经网络进行深度学习训练的模型进行选取，选取出最优的检测模型以及检测物品的阈值，以达到毫米波图像最优的检测率和虚警率，减小了人为误差，提高了毫米波图像人体携带隐匿物品的检测效率，提高了毫米波人体安检设备的有效性。

摘要： 本发明涉及一种基于多模型选择的软件缺陷预测方法、设备及存储介质。本发明首先使用增量学习的方式逐个训练得到随机森林模型M0。然后，使用ADWIN概念漂移检测机制检测出样本均值的动态性，利用数据收集机制得到数据块D1、D2。再次，使用SMOTE算法平衡D1和D2中的类别分布，分别得到数据块D1’和D2’。对于获取的数据块D1，D2，D1’，D2’，基于随机森林模型分别建立四个分类模型M1，M2，M3和M4，选出M0，M1，M2，M3和M4五个软件缺陷流数据分类模型中性能最佳的模型，作为最终的软件缺陷预测模型M。最后，基于随机森林的M分类模型对软件缺陷数据的类别进行预测，从而实现软件缺陷预测。

摘要： 本公开涉及视频编解码的基于神经网络的环路内滤波器中的模型选择。一种由视频编解码装置实施的方法。该方法包括针对每个视频单元从多个神经网络(NN)滤波器模型候选中选择NN滤波器模型。针对第一视频单元选择的NN滤波器模型不同于针对第二视频单元选择的NN滤波器模型。该方法还包括基于针对视频单元选择的一个或多个NN滤波器模型在视频媒体文件与比特流之间进行转换。还公开了对应的视频编解码装置和非暂时性计算机可读介质。

摘要： 本发明涉及数据处理技术领域，具体涉及一种智能型预测模型选择方法及其装置。包括：S1、网络结构的构建：选用只有一个隐层的三层网络，为了对时序在时刻t+x的数据进行预测，从时刻t到t‑y+x的近期历史交易数据就形成观测数据，其中m为输入层节点数；由于只限于一维时间序列，故仅需要一个输出层节点来表示预测值。本发明运用神经网络预测时间序列的分析方法对股票数据进行了预测，通过对神经网络时间序列数据预测网络模型的建立方法对股票数据进行实际预测，预测精度明显高于传统方法，可用于股票交易数据预测，其预测精度高且建立预测样本数据库可实现长期的股票交易预测。

摘要： 本发明提供了基于特征的预训练模型选择算法的脆弱性评估方法及系统，所述方法包括：获取低级预训练模型和高级预训练模型；对所述低级预训练模型使用少量下游任务的数据和有监督的对比学习损失函数训练进行模型伪装攻击，以得到伪装的低级预训练模型；基于特征的预训练模型选择算法对所述高级预训练模型和所述伪装的低级预训练模型进行选择；若选定模型为所述伪装的低级预训练模型，则判定基于特征的预训练模型选择算法存在脆弱性。本发明实现了对基于特征的预训练模型选择算法的脆弱性的评估。