數據挖掘中的機械學習算法的應用探討

馮琬婷

摘要：隨著我國經濟技術的不斷發展，信息技術水平也在不斷的提升，計算機技術的廣泛應用，對社會的各個領域都有著影響。信息系統在現在社會中也有著廣泛的應用，在傳統的數據分析以及統計技術的基礎上有了一定的創新，現在社會在不斷的進步，對大規模數據的研究力度應該加強，不斷的挖掘出一些有用的知識，然后使挖掘技術不斷的完善。機械學習算法有利于解決數據挖掘問題。機械學習可以進行自我完善，在這個過程中，計算機會逐漸的積累經驗，從而提高自身的性能，機械學習的能力雖然沒有人類大腦學習能力強，但是隨著不斷的創新，使計算機具備了從大量數據中提取特征、發現隱含規律的能力。也正是因為這樣，數據挖掘中的機械學習算法也被廣泛的運用。

關鍵詞：數據挖掘；機械學習；學習算法；應用探討

中圖分類號：TP311.13 文獻標識碼：A 文章編號：1007-9416（2017）05-0154-01

信息管理技術在各大企業中數據管理技術也被廣泛利用，數據管理技術的廣泛運用有利于企業內部職能部門之間的溝通聯絡。但是在使用的過程中還是有些不足之處，數據信息越來越多，這就會使數據分析具有一定的復雜性。

1 完善GA-BP神經網絡模型

本文就在傳統的遺傳算法的基礎上提出了一種新的改進型遺傳優化BP神經網絡模型。這種神經網絡模型對傳統的這種神經網絡模型在遺傳算法的染色體結構和遺傳算子兩個方面進行了相關的優化，然后在進行BP神經網絡結構參數改進的時候，采用了自適應交叉和變異概率，下面就對改進的過程進行了簡要的分析說明。

（1）設計染色體結構。控制基因和參數基因是上文所描述的新型染色體基因結構的兩個表現形式，這種神經網絡模型對傳統的遺傳算法的染色體結構和遺傳算子進行了優化，從而對對BP神經網絡結構參數進行改進。控制基因對BP神經網絡結構參數的改進主要是對BP神經網絡的隱含層節點數優化。另一種結構參數基因對BP神經網絡的連接權值和閾值進行優化[2]。

（2）對適應度函數進行設計，具體過程如下：在上述函數中，訓練樣本個數用n表示；訓練數據的均方根誤差用∫rmse表示，誤差一般在0～1之間。

（3）選擇算子。從提出的被改進的遺傳算法上來看，在進行型遺傳優化BP神經網絡算法在實現算子選取改進以常規適應值比例算法的時候經常采用最優個體保留方法，這樣做會引發局部最小值等問題。

（4）交叉、變異算子。采用單點交叉和基本變異算子是上文中提出的控制基因是改進型遺傳優化BP神經網絡算法的上層所采用的。下層參數基因所采用的是整體算數交叉和非一致變異算子。

（5）自適應交叉、變異概率。上文中提出的改進型遺傳優化BP神經網絡算法的方式，在進行優化的時候可以對設計自適應交叉、變異概率，以此對遺傳優化BP神經網絡神經算法的機構和初始權重進行平衡優化。對設計分析的簡要過如下，自適應交叉概率可以表示為∫avr表示種群的平均適應值，∫min表示種群的最小適應值，k1，k2通常在1.0上。

上文中提出的改進型遺傳優化BP神經網絡算法的過程的主要幾個步驟可以分為以下幾點：

（1）對相關的數據進行及時的統一優化處理。訓練樣本數據和測試樣本數據是數據優化處理之后可分為的種類。

（2）在對改進型遺傳算法模型的基本參數進行設計的時候，可以用G來表示最大化代數，在設定的時候要考慮隱含層節點數對種群的規模N的有關規定。

（3）在對種群上層個體進行優化的時候采用采用二進制編碼，種群下層種群個體進行優化采用實數編碼。

（4）在確定BP神經網絡結構參數的時候，可以采用對種群各個個體解碼的形式進行。

（5）對種群中適很好的個體，采用遺傳操作的形式。

（6）獲得新的子群，可以對種群中的遺傳個體使用自適應概率進行交叉、變異操作。

（7）對BP神經網絡結構隱含層節點、權值以及閾值等結構參數進行優化改進，進行不斷的創新的過程就是對上下層的子群個體解碼的優化。

（8）進行（5）循環的要求有兩個，就是在迭代步數達到了設定的最大值執行（5）循環，在最大個體適應度值滿足要求的時候，也要進行（5）循環過程。

（9）在確定最佳的BP神經網絡隱含層節點數、閾值和連接權值等參數的時候，采用對適應值最佳的個體進行解碼的形式。

2 機械學習算法實例

下面就舉出有關的例子對上文所提出的優化過程進行簡要分析，下文所采用的實例是煤礦空壓機的故障診斷系統，然后對改進型遺傳優化BP神經網絡算法進行有效的探索研究。

（1）首先應該做好相應的準備工作，閱讀相關的空壓機的說明書，例如使用說明書和故障說明書等。在使用空壓機的時候，還應該對使用過程中的經驗進行積累，在使用結束后再對相關經驗進行分析總結，空壓機的故障類型以及故障是怎么來的，在進行數據整理的時候都要進行分析研究，及時的發現問題所在。

煤礦空壓機的故障診斷系統就是本文所采用的實例。通過相應的實驗數據分析，煤礦空壓機呈現出5種工作狀態，用符號Y1-Y5表示，以此作為神經網絡故障診斷模型的輸出。Y1-Y5所表示的內容如下：Y1表示煤礦空壓機正常的工作狀態；Y2表示煤礦空壓機冷卻水系統出現故障的工作狀態；Y3表示煤礦空壓機潤滑體統出現故障的工作狀態；Y4表示煤礦空壓機軸承出現故障的工作狀態；Y5表示煤礦空壓機電路系統出現故障的工作狀態。如果出現以上故障，根據相關的經驗以及故障的了解，故障的表現形式可以分為10種，用符號X1-X10表示，即為神經網絡故障診斷模型的輸入。X1-X10分別表示：X1表示煤礦空壓機排氣量過低；X2表示空壓機排氣壓力不足；X3表示空壓機排氣溫度超限；X4表示空壓機冷卻水溫度超限；X5表示空壓機冷卻水壓力不足；X6表示空壓機主機轉速低限；X7表示空壓機振動超限；X8表示空壓機潤滑系統油溫超限；X9表示空壓機潤滑油壓力不足；X10表示軸承溫度超限。

（2）空壓機經過數據挖掘之后的故障診斷分析。通過對空壓機可能出現的故障進行分析，為了看出新的神經網絡的良好的性能，采用傳統的遺傳神經網絡算法建立了煤礦空壓機故障針對系統，在進行網絡訓練的時候應該采用相同的訓練數據樣本，在測試的時候也應該采用相同的測試數據樣本。

通過相應的實驗可以看出，在經過569次迭代后改進型GA-BP神經網絡算法就使得誤差達到了設定范圍內，但是如果采用傳統的神經網絡算法就沒有那么好的效果，只有在進行2 779次迭代才使得誤差滿足要求。由此可以看出，優化改進后的BP神經網絡算法在各個方面上都有很好的效果，特別是網絡的訓練速度、收斂速度和收斂精度方面。改進型GA-BP神經網絡算法在個方面都有比傳統的算法要好。

為了能夠更加明顯的看出效果，下面采用100組數據進行研究分析。從測試的結果可以看出，87.5%是傳統的P神經網絡的診斷正確率，診斷時間為564 s，輸出值存在一定的不穩定性，而上文中所提到的優化改進后的GA-BP神經網絡的診斷正確率為98.2%，診斷時間為246 s，輸出值相對穩定，從這數據可以看出，改進后的效果明顯比傳統的BP神經網絡算法要好的多。改進后的BP神經網絡算法的錯誤率比較低，檢測的準確率和速度都有提高，工作性能也有所提高。

3 結語

在社會的不斷發展進步的過程中，數據挖掘技術也在不斷的創新，在社會中的運用也越來越廣泛，發展速度也越來越快。本文就在傳統的遺傳算法的基礎上提出了一種新的改進型遺傳優化BP神經網絡模型。這種神經網絡模型對傳統的神經網絡模型在遺傳算法的染色體結構和遺傳算子兩個方面進行了相關的優化，然后在進行BP神經網絡結構參數改進的時候，采用了自適應交叉和變異概率，這樣有利于各種數據的處理。

參考文獻

[1]李運.機器學習算法在數據挖掘中的應用[D].北京郵電大學，2015.

[2]胡秀.基于Web的數據挖掘技術研究[J].軟件導刊，2015（1）：149-150.endprint