基于knn的置信回歸算法及裝置的制造方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于機器學習領(lǐng)域，尤其涉及一種基于腳W的置信回歸算法及裝置。
【背景技術(shù)】
[0002] 機器學習的研究領(lǐng)域除了對分類問題進行研究外，還有一個重要研究領(lǐng)域就是回 歸預測的研究。所W對應著置信機器學習研究，也應該包括置信分類研究和置信回歸研究。 目前對置信機器學習的研究主要集中在分類問題上，目前多數(shù)的置信機器研究也主要集中 在置信分類問題上，對置信回歸的研究卻比較少；但是置信回歸在醫(yī)療診斷預測等高風險 的應用領(lǐng)域有著重要的現(xiàn)實意義。
[0003] 現(xiàn)有技術(shù)提供的一種用支持向量機方法做置信回歸，如文獻《支持向量機 回歸在線建模及應用》（王定成等，控制與決策，2003. 1);文獻狂idelmal Z，Amirou A,Belouc虹ani A. HEARTBEAT CLASSIFICATION USING SUPPORT VECTOR MACHI肥S(SVMs) WITH AN EMB邸DED RE巧CT OPTIONAL INTERNATIONAL JOURNAL OF PATTERN RECOGNITION AND ARTIFICIAL INTCLLIGENCE，2012, 26(1))對對帶有拒絕選項的分類器進行了研究，根 據(jù)貝葉斯學習方法，對于兩類分類問題，提出了優(yōu)化分類器和拒絕規(guī)則，并據(jù)此設(shè)置闊值。
[0004] 在實現(xiàn)現(xiàn)有技術(shù)的方案中，發(fā)現(xiàn)現(xiàn)有技術(shù)存在如下技術(shù)問題：
[0005] 現(xiàn)有技術(shù)提供的技術(shù)方案沒有進行分類預處理，置信回歸不準確。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明實施例的目的在于提供一種基于腳W的置信回歸算法，其解決現(xiàn)有技術(shù)的 置信回歸不準確的問題。
[0007] 本發(fā)明實施例是該樣實現(xiàn)的，一方面，一種基于腳W的置信回歸算法，所述方法包 括如下步驟：
[0008] 101、確定樣本集，該樣本集包括：已知回歸樣本集和未知回歸樣本集；
[0009] 102、在未知回歸樣本集中選出未知樣本yP;
[0010] 103、計算出xP與已知回歸樣本集中每個樣本之間的歐式距離De狂，口；
[0011] 其中，
【主權(quán)項】
1. 一種基于KNN的置信回歸算法，其特征在于，所述方法包括如下步驟： 101、 確定樣本集，該樣本集包括：已知回歸樣本集和未知回歸樣本集； 102、 在未知回歸樣本集中選出未知樣本xp; 103、 計算出xp與已知回歸樣本集中每個樣本之間的歐式距離D E(X，Z);
De (Χρ，Γ)表示未知樣本xp與已知樣本Z q之間的歐式距離，其中，樣本
JC./;表示樣本xP的第i個元素；表示樣本Ztl的第i個元素； I I 104、 在已知樣本集中查詢出與Xp的歐式距離最近的K個樣本；計算K個樣本的回歸值 的平均值f .
105、 回歸模型預測未知樣本？的回歸值p .計算J7x ^與y的差值T，設(shè) 定一個劃分閾值t ;如-t < T < t，則將Xp劃分到回歸接受域，并確定x P .如TH或 ， T〈_t則將Xp劃分到回歸拒絕域，并不確定37x P 〇
2. -種基于KNN的置信回歸裝置，其特征在于，所述裝置包括： 確定單元，用于確定樣本集，該樣本集包括：已知回歸樣本集和未知回歸樣本集； 采樣單元，用于在未知回歸樣本集中選出未知樣本xp; 計算單元，用于計算出xP與已知回歸樣本集中每個樣本之間的歐式距離D Ε(Χ，Ζ); 其中：
De (Χρ，Γ)表示未知樣本Xp與已知樣本Z q之間的歐式距離，其中，樣本
表示樣本xP的第i個元素；表示樣本Z tl的第i個元素；在已知樣本集中查詢出 與Xp的歐式距離最近的K個樣本；計算K個樣本的回歸值的平均值J；,
劃分單元，用于采用回歸模型預測未知樣本妙的回歸值y " 計算]；"與 yXp > yXp y的差值T，設(shè)定一個劃分閾值t ;如-t < T < t，則將Xp劃分到回歸接受域，并確定 37 γ P _如TH或T〈-t則將Xp劃分到回歸拒絕域，并不確定y x P 5 〇
【專利摘要】本發(fā)明適用機器學習領(lǐng)域，提供了一種基于KNN的置信回歸算法，包括：確定樣本集，該樣本集包括：已知回歸樣本集和未知回歸樣本集；在未知回歸樣本集中選出未知樣本，計算出未知樣本與已知回歸樣本集中每個樣本之間的歐式距離；在已知樣本集中查詢出與未知樣本的歐式距離最近的K個樣本；計算K個樣本的回歸值的平均值；回歸模型預測未知樣本的回歸值；計算回歸值與平均值的差值T，依據(jù)差值T劃分接受域和拒絕域。本發(fā)明具有回歸值準確的優(yōu)點。
【IPC分類】G06F17-50, G06F19-24
【公開號】CN104537157
【申請?zhí)枴緾N201410767787
【發(fā)明人】蔣方純, 田盛豐
【申請人】深圳信息職業(yè)技術(shù)學院
【公開日】2015年4月22日
【申請日】2014年12月12日