特征篩選和深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的重要分支。現(xiàn)如今各種結(jié)構(gòu)和不同規(guī)模的數(shù)據(jù)充斥我們生活的方方面面。我們希望有效地提取數(shù)據(jù)中的模式并且能夠建立高預(yù)測(cè)精度的可解釋模型。而識(shí)別重要的可解釋性特征的一項(xiàng)流行技術(shù)就是特征篩選。近來由于在各種機(jī)器學(xué)習(xí)任務(wù)中取得了巨大的成功,深度學(xué)習(xí)獲得了大量研究者的關(guān)注。深度學(xué)習(xí)的一個(gè)重要特點(diǎn)就是提取特征。通過挖掘數(shù)據(jù)集中的關(guān)系,可以更準(zhǔn)確的找到特征;通過增加層數(shù)來增加網(wǎng)絡(luò)的復(fù)雜性,可以從數(shù)據(jù)中提取更高層次的特征,或者是與結(jié)構(gòu)關(guān)聯(lián)更少的特征,或者是更多與數(shù)據(jù)內(nèi)容相關(guān)的特征。本文的主要貢獻(xiàn)如下:（1）提出基于加強(qiáng)對(duì)偶多面體LASSO方法的配體分子海量特征篩選方法,大幅加速配體海量特征篩選過程,去除大部分無關(guān)的特征,使得后續(xù)學(xué)習(xí)僅需在小部分特征上進(jìn)行,大幅提高了模型的學(xué)習(xí)效率。實(shí)驗(yàn)結(jié)果驗(yàn)證了我們算法的有效性。（2）提出了一種全新的基于加權(quán)深度學(xué)習(xí)和隨機(jī)森林的GPCR相關(guān)配體分子活性的預(yù)測(cè)算法WDL-RF,它包括基于新型加權(quán)深度學(xué)習(xí)的分子指紋生成階段和基于隨機(jī)森林模型的生物活性預(yù)測(cè)兩個(gè)階段。該方法的特點(diǎn)在于,它是一個(gè)端到端的預(yù)測(cè)學(xué)習(xí)框架。實(shí)驗(yàn)結(jié)果顯示,在所有數(shù)據(jù)集及模型評(píng)價(jià)... 

【文章來源】：南京郵電大學(xué)江蘇省

【文章頁(yè)數(shù)】：58 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

特征篩選過程

大學(xué)專業(yè)學(xué)位碩士研究生學(xué)位論文 第二章 深度學(xué)習(xí)及特征篩選相要接收上層中相鄰的幾個(gè)神經(jīng)元的輸出（或稱之為局部感受野）。此外，利用同測(cè)圖像的各個(gè)部分，這就使神經(jīng)網(wǎng)絡(luò)中的權(quán)重?cái)?shù)量減少。這種策略也被稱為權(quán)積層之后通常是特征匯合操作，這增強(qiáng)了模型對(duì)特征變化的容忍度。匯合操作卷積層的輸出分割成小的集合，之后從每個(gè)集合中采樣一個(gè)值（取平均值或者最一層的輸入。利用局部感受野，第一個(gè)卷積層中的神經(jīng)元提取低層次的視覺特、點(diǎn)和角。隨后的其他卷積層將這些特征組合起來形成更高層次的特征。如圖是一個(gè)卷積神經(jīng)網(wǎng)絡(luò)的模型。

圖 2.3 AlexNet Alex 的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖此外，CNN 還有一個(gè)鮮明的特點(diǎn)，它將特征學(xué)習(xí)和分類或回歸模型學(xué)習(xí)融合在一起，省去大部分的預(yù)處理過程，直接從像素圖像中識(shí)別視覺實(shí)體。隨著近年來 CNN 的廣泛，人工特征逐漸在模式識(shí)別領(lǐng)域沒落。專家的領(lǐng)域知識(shí)對(duì)于設(shè)計(jì)視覺識(shí)別系統(tǒng)變得越來重要。與其他方法相比，CNN 在許多模式識(shí)別任務(wù)[33]-[35]上表現(xiàn)出優(yōu)越的性能。.2 特征篩選相關(guān)技術(shù)常見的特征篩選方法大致上可以分為三種：過濾式、包裹式、嵌入式。過濾式特征篩法是先對(duì)數(shù)據(jù)集進(jìn)行特征篩選，然后在訓(xùn)練學(xué)習(xí)器，也就是說特征篩選過程與后續(xù)選擇習(xí)器無關(guān)。這也就是說先使用特征篩選對(duì)初始特征進(jìn)行過濾，之后在使用過濾后的特征練學(xué)習(xí)器。與過濾式特征篩選不考慮后續(xù)學(xué)習(xí)器不同，包裹式特征篩選直接把最終將要的學(xué)習(xí)器的性能作為特征子集的評(píng)價(jià)標(biāo)準(zhǔn)[2]。也就是說，包裹式特征篩選的目的是為給定


本文編號(hào)：2950006