现有时刻最小位移 (MDEM) - 一个新的监督学习算法,通过逐步构建底层类的时刻

科学领域:

• 机器学习 机器学习
• 数据分类数据分类
• 统计建模 统计建模

背景情况:

• 监督学习方法对于数据分类至关重要.
• 现有的算法可能会面临增量数据更新和计算效率的挑战.
• 第n个中心时刻为类定义提供了一个统计属性.

研究的目的:

• 引入一种基于第n个中心时刻移位的新型监督学习方法.
• 为了评估拟议的时刻移位 (MDEM) 算法的性能.
• 将MDEM与使用基准数据集的最先进算法进行比较.

主要方法:

• 一种受监督的学习方法,根据最小的第n个中心矩移位对测试点进行分类.
• 在每个数据点包含后,对类中心时刻的增量,恒定时间更新.
• 用于绩效评估的K折和分层k折交叉验证.
• 与神经网络 (NN),支持向量机 (SVM),随机森林 (RF),K-最近邻居 (KNN) 和后勤回归 (LR) 的比较.

主要成果:

• 在Pima印度糖尿病数据集中,MDEM算法在 [83.19% - 95.82%] 的最佳算法范围内实现了性能.
• 在威斯康星州的乳腺癌数据集中,MDEM变体的准确度得分在最佳算法中达到 [88.85% - 96.41%].
• 混矩阵用于详细的算法比较.

结论:

• 拟议的MDEM算法为监督学习提供了一种竞争性和高效的方法.
• MDEM变体在不同的数据集和验证技术中表现出强的性能.
• 该方法的增量性质允许通过新数据逐渐进化类.