5、基于机器学习的PU数据分类与易腐库存鲁棒控制研究

基于机器学习的PU数据分类与易腐库存鲁棒控制研究

在当今的数据分析和供应链管理领域，PU（Positive and Unlabeled）数据分类以及易腐库存的鲁棒控制是两个备受关注的问题。本文将详细介绍相关研究，包括PU数据分类的多种方法和实验结果，以及易腐库存鲁棒控制的新方法。

一、PU数据分类研究

1. 研究目的与方法
   • 研究的第二个目的是推荐最可靠和高效的后验概率$f(x) = P(Y = 1|X = x)$评估方法，假设$Y$由逻辑模型控制且有PU数据可用。
   • 研究基于13种机器学习（ML）模型方案，应用了LassoJoint方法，考虑了BFGS或MM算法的联合方法。LassoJoint方法是一个三步过程：
     • 第一步，使用Lasso方法进行预测变量的初始选择，调整参数$\lambda$可以通过10折交叉验证技术获得，也可以固定为$\lambda = ((log p)/n)^{1/3}$。
     • 第二步，执行阈值化Lasso。
     • 第三步，对第二步中选择的变量应用联合方法。
   • 还使用了朴素逻辑回归方法、联合方法、LassoJoint方法和加权方法，并将结果与已知真实标签变量$Y$时的oracle方法结果进行比较。为了比较基于逻辑回归模型的分类方法，还使用了支持向量机（SVM）和k近邻算法（KNN），并结合了AdaSampling方案。此外，对特征进行了最小 - 最大变换，显著提高了结果的准确性。