基于金改进的Att-BiLSTM模型,用于大数据分类,并采用混合特征提取和特征选择技术
Gnanendra Kotikam1, Lokesh Selvaraj2
1Research Scholar, Department of Information and Communication Engineering, Anna University, Chennai, India.
Network (Bristol, England)
|December 29, 2023
概括
这项研究引入了一个优化的深度学习模型来分类大数据,达到90%以上的准确性. 该方法使用先进的特征提取和选择技术来进行高效的大数据分析.
科学领域:
- 计算机科学 计算机科学
- 数据科学数据科学数据科学
- 人工智能的人工智能
背景情况:
- 技术进步导致了大数据的巨大增长.
- 机器学习 (ML) 对于检查和分类大数据至关重要.
- 有效的特征提取和选择对于ML模型性能至关重要.
研究的目的:
- 为大数据分类开发一个优化的深度学习分类器.
- 整合混合特征提取和选择方法以提高性能.
- 提高大数据分析的准确性和效率.
主要方法:
- 利用基于局部线性嵌入的内核主要组件分析来提取特征.
- 采用扰动理论与启发式搜索特征选择,通过五个算法进行优化.
- 应用了基于注意力的双向长期短期记忆分类器,并通过金启发的算法进行了优化.
主要成果:
- 拟议的框架在分类大型数据集方面实现了超过90%的准确性.
- 在公开可访问的数据集上的实验验证证了该模型的有效性.
- 混合特征工程方法显著改善了分类性能.
结论:
- 开发的深度学习方法为大数据分类提供了强大的解决方案.
- 集成先进的特征工程技术可以提高模型的准确性.
- 这个框架为分析和分类大规模数据集提供了有价值的工具.
