重庆理工大学学报(自然科学) ›› 2021, Vol. 35 ›› Issue (1): 168-179.doi: 10.3969/j.issn.1674-8425(z).2021.01.022
宋晓明a,曲文龙a,b,阚明阳a,汪慎文a,b
摘要: 针对前大数据环境下浅层机器学习模型提取特征能力不足?分类能力有限等问题,提出了一种深度置信提升网络集成分类模型?该模型采用集成深度置信网络(deepbeliefnetworks,DBN)进行特征提取,克服了单一模型特征提取能力不足的问题;采用极端梯度提升决策树(eXtremegradientboosting,XGBoost)和梯度提升决策树(gradientboostdecisiontree,GDT)构建深层提升网络,对提取特征进行多层特征深度学习,采用相对多数投票法输出分类结果?基于4个UCI公开数据集和MNIST数据集对提出模型进行了检测实验,实验结果表明:提出模型较深度置信网络?极限梯度提升树和DBNXGBDT等3种模型的准确率分别提升了13.8%?698%和4.18%?
中图分类号: