多数投票模型是观点动力学研究中的常用模型,本文在多数投票模型的基础上引入了具有层级结构的集体影响力,以节点周边层级结构上的节点的度衡量中心节点的观点权重,即为集体影响力参数.通过蒙特卡罗模拟,研究了具有集体影响力的多数投...多数投票模型是观点动力学研究中的常用模型,本文在多数投票模型的基础上引入了具有层级结构的集体影响力,以节点周边层级结构上的节点的度衡量中心节点的观点权重,即为集体影响力参数.通过蒙特卡罗模拟,研究了具有集体影响力的多数投票模型在ER(Erdos and Rényi)随机网络与无标度网络上观点的演化,发现系统观点均出现了有序-无序相变,且相比原始多数投票模型更容易趋于无序,即相变临界点更小.原因是考虑具有层级结构的集体影响力时,系统的集体影响力参数值整体减小,且分布数目随着参数值的增大而减少,呈“长尾”趋势,占少数的高影响力个体使周围节点的观点产生跟随现象,随着噪声参数的增大,当少数的高影响力个体趋于无序时,整个系统也会趋于无序,即系统更容易达到无序状态.最后通过有限尺寸标度法,发现无论在ER随机网络或在无标度网络中,具有集体影响力的多数投票模型的相变均为Ising模型普适类.展开更多
对于高维度小样本数据的分类问题,高维属性的复杂性限制了分类模型预测的准确率。为了进一步提高准确率,提出了基于线性回归和属性集成的分类算法。首先,采用线性回归为每一个属性构建属性线性分类器(Attribute Linear Classifier,ALC)...对于高维度小样本数据的分类问题,高维属性的复杂性限制了分类模型预测的准确率。为了进一步提高准确率,提出了基于线性回归和属性集成的分类算法。首先,采用线性回归为每一个属性构建属性线性分类器(Attribute Linear Classifier,ALC);其次,为了避免因ALC数量过多而导致准确率下降,利用经验风险最小化策略中的经验损失值作为评估标准来优选ALC;最后,应用多数投票法来集成被筛选的ALC。采用高维度小样本的基因表达数据集进行实验,结果显示该算法具有比逻辑回归、支持向量机和随机森林算法更高的准确率。展开更多
文摘多数投票模型是观点动力学研究中的常用模型,本文在多数投票模型的基础上引入了具有层级结构的集体影响力,以节点周边层级结构上的节点的度衡量中心节点的观点权重,即为集体影响力参数.通过蒙特卡罗模拟,研究了具有集体影响力的多数投票模型在ER(Erdos and Rényi)随机网络与无标度网络上观点的演化,发现系统观点均出现了有序-无序相变,且相比原始多数投票模型更容易趋于无序,即相变临界点更小.原因是考虑具有层级结构的集体影响力时,系统的集体影响力参数值整体减小,且分布数目随着参数值的增大而减少,呈“长尾”趋势,占少数的高影响力个体使周围节点的观点产生跟随现象,随着噪声参数的增大,当少数的高影响力个体趋于无序时,整个系统也会趋于无序,即系统更容易达到无序状态.最后通过有限尺寸标度法,发现无论在ER随机网络或在无标度网络中,具有集体影响力的多数投票模型的相变均为Ising模型普适类.
文摘对于高维度小样本数据的分类问题,高维属性的复杂性限制了分类模型预测的准确率。为了进一步提高准确率,提出了基于线性回归和属性集成的分类算法。首先,采用线性回归为每一个属性构建属性线性分类器(Attribute Linear Classifier,ALC);其次,为了避免因ALC数量过多而导致准确率下降,利用经验风险最小化策略中的经验损失值作为评估标准来优选ALC;最后,应用多数投票法来集成被筛选的ALC。采用高维度小样本的基因表达数据集进行实验,结果显示该算法具有比逻辑回归、支持向量机和随机森林算法更高的准确率。
