训练样本数据选择方法研究综述

摘要：

机器学习作为数据挖掘中一种重要的工具,不只是对人的认知学习过程的探索,还包括对数据的分析处理.面对大量数据的挑战,目前一部分学者专注于机器学习算法的改进和开拓,另一部分研究人员则致力于样本数据的选择和数据集的缩减,这两方面的研究工作是并行的.训练样本数据选择是机器学习的一个研究热点,通过对样本数据的有效选择,提取更具有信息量的样本,剔除冗余样本和噪声数据,从而提高训练样本质量,进而获得更好的学习性能.文中就目前存在的样本数据选择方法进行综述研究,从基于抽样的方法、基于聚类的方法、基于近邻分类规则的方法这三大类以及其他相关数据选择方法4个方面对目前存在的方法进行总结和分析对比,并对训练样本数据选择方法存在的问题和未来研究方向提出一些总结和展望.

关键词：训练样本、数据选择、机器学习、神经网络、支持向量机

所属期刊栏目：47

分类号：TP181(自动化基础理论)

资助基金：河南省高等学校青年骨干教师培养计划;国家自然科学基金

在线出版日期：2020-12-03（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：402-408