3、机器学习分类器与远程实验平台技术解析

机器学习分类器与远程实验平台技术解析

1 机器学习分类器相关技术

1.1 新度量的定义与优化

在机器学习中，为了更好地进行分类，需要定义合适的度量。给定查询 $Q$，我们通过以下方式找到其在界面 $f(x) = 0$ 上的最近邻 $P$：
$\min_{P} |Q - P|$，约束条件为 $f(P) = 0$。

然而，这种优化会带来额外的成本。因此，我们用 $Q$ 模拟 $P$，并使用 $f’(Q)$ 作为指导来制定新的度量。设 $G_Q = f’(Q) = (G_{Q,1} \cdots G_{Q,n})$，新的距离定义为：
$|x - y| {new} = \sqrt{(x - y)^T \Lambda (x - y)}$，其中 $\Lambda_i = \frac{\exp(\beta \cdot |G {Q,i}|)}{\sum_{j = 1}^{n} \exp(\beta \cdot |G_{Q,j}|)}$ 。

这里添加了指数机制以保证值的稳定性，$\beta$ 控制元素 $G_Q$ 对整体权重的影响，$\beta = \frac{1}{|f(Q)|}$。当 $Q$ 接近 $f(x)$ 时，$G_Q$ 的影响会增强，局部度量的信息更丰富；反之，当 $Q$ 远离 $f(x)$ 时，$\beta$ 趋近于 0，权重 $\Lambda_i = \frac{1}{n}$，此时距离定义回到原始状态。

在 $M$ 分类中，我们创建 1 - vs - r 的 SVM，涉及 $M$ 个决策函数 $f_j$ 和 $f_j’(Q)$。这些梯度向量以加权的方式组合，综合方向定义为：
$G_Q =