33、数据编辑算法与随机动作逻辑的研究

数据编辑算法与随机动作逻辑的研究

1. 数据编辑算法概述

在数据处理和机器学习领域，编辑算法对于提高分类准确性至关重要。因为训练数据中存在的噪声、错误标签、离群点以及不同类别区域之间的重叠，都会导致分类器性能下降。常见的编辑算法有基于净化算法的方法、神经网络集成编辑（NNEE）以及使用局部支持向量机进行降噪等，但这些方法大多依赖参数调整。

1.1 现有编辑算法

• 净化算法 ：该算法不仅会从训练集（TS）中移除一些项目，还会更改某些项目的类别标签，它使用两个输入参数来实现这一目的。
• 神经网络集成编辑（NNEE） ：基于净化算法考虑和评估编辑方法，训练一个神经网络集成，然后用于重新标记一些项目，也是参数化的方法。
• 局部支持向量机降噪 ：通过局部最大边际方法减少实例学习中的噪声，其性能同样依赖于参数调整。

2. 编辑通过同质聚类（EHC）算法

2.1 算法原理

EHC算法采用了一种完全不同的非参数策略，用于去除噪声、错误标记和接近边界的数据项。它基于最近提出的RHC算法，通过迭代地对训练集应用k - 均值聚类，直到所有构建的聚类只包含特定类别的项目，即达到同质状态。在这个过程中，所有只包含一个项目的聚类（单项目聚类）都会被移除。

2.2 具体步骤

1. 初始化 ：将训练集TS视为一个非同质聚类，计算该聚类中每个类别的均值项目（类均值）。如果聚