57、机器学习分类算法性能分析与COVID - 19智能信息检测系统

机器学习分类算法性能分析与COVID - 19智能信息检测系统

1 机器学习分类算法性能分析

1.1 机器学习与分类问题概述

机器学习作为人工智能的一个分支，借助数据生成预测。在训练监督和无监督机器学习算法之前，需要确定许多参数，即超参数。正确调整这些超参数对于模型的有效训练和准确结果至关重要。机器学习主要分为监督学习、无监督学习和强化学习。

• 监督学习 ：将训练和测试数据集添加到系统后，为每个数据集标记标签，基于现有数据理解和估计新数据，主要包括分类和回归任务。
• 无监督学习 ：在无用户输入的情况下加载未标记的数据，该技术用于检测数据关系，常用于聚类。
• 强化学习 ：不需要标签或数据，应用程序与动态环境交互进行学习，环境根据其行为给予奖励或惩罚，不断循环直至学习完成。

分类是机器学习和数据挖掘中的关键问题，超参数优化方法旨在通过基于训练数据进行预测来提高系统性能。

1.2 相关研究综述

众多学者对机器学习模型的超参数优化进行了研究。例如，François - Lavet等人优化了典型的机器学习模型；Shaik等人探索了算法选择和超参数优化；Yang等人提出了单级和两级优化问题的解决方法；Mishra等人提出了超参数优化的初始化技术；Thornton等人展示了神经网络和深度信念网络的超参数优化结果；Sahu等人指出大型层次模型会增加超参数优化策略的负担；Tso等人通过贝叶斯优化解决机器学习模型的超参数调整问题；Wistuba等人优化