很多學者用"全球恐怖主義研究數(shù)據(jù)庫"GTD數(shù)據(jù)集,采用博弈論、K近鄰法和支持向量機等分析恐怖事件的聚集性,已經取得一些成果.但在前期研究中未有很好考慮數(shù)據(jù)的稀疏性以及高維度多冗余等會導致聚集分類準確率不高的問題.本文提出一種基于最小冗余最大相關與因子分解機結合的TFM分類模型,使用增量搜索方法尋找近似最優(yōu)的特征解決高維度多冗余問題和FM方法解決數(shù)據(jù)稀疏問題,并對預處理后的恐怖襲擊事件數(shù)據(jù)用TFM模型做量化分類.文中使用樸素貝葉斯NB、支持向量機SVM、邏輯回歸LR與TFM等4個模型的"馬修斯相關系數(shù)"MCC進行比較,結果顯示TFM的MCC相對于其他三個模型NB、SVM、LR分別提高了49.9%,2.5%,2.3%,可見TFM模型有一定可行性. 

【文章來源】：四川大學學報(自然科學版). 2020,57(01)北大核心

【文章頁數(shù)】：7 頁

【部分圖文】：

mRMR選取特征子集對應的分類損失值

【參考文獻】：
期刊論文
[1]改進的mRmR特征選擇方法在人體行為識別中的應用[J]. 王華華,黃龍,周遠文,趙永寬.  重慶郵電大學學報(自然科學版). 2019(02)
[2]因子分解機模型的寬度和深度擴展研究[J]. 燕彩蓉,周靈杰,張青龍,李曉林.  軟件學報. 2019(03)
[3]基于區(qū)域標記法的代價敏感支持向量機在股票預測中的研究[J]. 秦璐,李旭偉.  四川大學學報(自然科學版). 2018(02)
[4]基于互信息和隨機森林的混合變量選擇算法[J]. 趙偉衛(wèi),李艷穎,趙風芹,魏灑灑.  吉林大學學報(理學版). 2017(04)
[5]機器學習與沖突預測——國際關系研究的一個跨學科視角[J]. 董青嶺.  世界經濟與政治. 2017(07)
[6]分類器性能評價標準研究[J]. 秦鋒,楊波,程澤凱.  計算機技術與發(fā)展. 2006(10)



本文編號：3045041