基于數(shù)據(jù)降維的機器學習分類應用問題探討

隋旻言，李驍漢

（武漢理工大學自動化學院，湖北武漢，430070）

引言

數(shù)據(jù)降維是指將單幅圖像數(shù)據(jù)的高維化，使其轉(zhuǎn)化為高維空間中的數(shù)據(jù)集合，進行非線性降維，尋求高維數(shù)據(jù)結(jié)構(gòu)的一維表示向量，將其作為圖像數(shù)據(jù)的特征表達特定目標。數(shù)據(jù)降維可以應用于多個領(lǐng)域，尤其是大量數(shù)據(jù)的分析計算，包括機器學習相關(guān)工作。當前機器學習分類應用問題較為突出，很大程度上影響了具體工作的開展，分析基于數(shù)據(jù)降維的機器學習分類應用問題、探討解決對策有一定的現(xiàn)實意義。

1 當前機器學習分類應用問題

1.1 樣本歸類不清

樣本歸類問題，是機器學習分類應用最基礎的、最突出的問題，當前機器學習的基本方式是神經(jīng)訓練，該算法是對人體神經(jīng)系統(tǒng)進行模擬，通過廣泛收集非結(jié)構(gòu)化的海量數(shù)據(jù)進行學習，但在對樣本進行歸類時，由于海量數(shù)據(jù)中相近數(shù)據(jù)極多，很難實現(xiàn)精確的歸類，導致機器學習耗時長、效率低。

1.2 計算量較大

當前機器學習的一個核心弊端是較大的計算量，這也直接影響了分類應用工作。機器人出現(xiàn)之初，為求保證其能夠有效模仿人類的行為、實現(xiàn)“人工智能”，設計人員采用了神經(jīng)訓練法，這一算法的優(yōu)勢也是其弊端。具體來說，提升神經(jīng)訓練成果的主要方法是大量增加樣本數(shù)據(jù)，樣本數(shù)據(jù)越多，計算結(jié)果越理想，機器人的模仿能力也越強。

1.3 精度問題

精度問題是當前機器學習分類應用的主要問題之一，對于精度標準，各國的看法并不一致，總體而言，機器學習依然遵循樣本數(shù)量越多、精度越高的基本規(guī)律[1]。

2 數(shù)據(jù)降維方式的選取

2.1 隨機森林法

隨機森林法是用隨機的方式建立一個擬森林狀的判斷系統(tǒng)，在“判斷森林”（隨機森林）中，每一個進行判斷的程序都以一棵“決策樹”的形式存在，隨機森林的每一棵“決策樹”之間是沒有關(guān)聯(lián)的。隨機森林建成后，任意輸入樣本進入森林，森林中的“決策樹”都會分別進行一次判斷，分析該樣本應該屬于哪一類，被最多“決策樹”判定的類別，就是該樣本的類別[2]。

2.2 K近鄰算法

K近鄰算法是最典型的降維算法，該算法理論上十分成熟。K近鄰算法的核心思路是，建立若干標準點 K，各自代表一個分類類別，將樣本代入特征空間，如果樣本在特征空間中最鄰近某個K點，即表示該樣本屬于該類別。與隨機森林法不同，雖然K近鄰算法也強調(diào)相似判斷，但樣本并給完全遵循非線性規(guī)律，而是在不明確的線性標準下給予模糊分類，再進行精細化處理，而且K近鄰算法不遵循“決策樹”式的多數(shù)原則，只要某個樣本距離K點最近，就屬于該類別。

3 模擬實驗

3.1 觀察指標

實驗在虛擬環(huán)境下進行，通過參數(shù)帶入模擬實驗環(huán)境，應用神經(jīng)訓練法、隨機森林法、K近鄰算法對同一個機器人軟件進行訓練，觀察機器人的學習效率和精確性。

3.2 實驗過程與結(jié)果

所有實驗在人工干預下進行，應用100個、1000個、10000個樣本進行三輪實驗，同一輪實驗內(nèi)應用的樣本完全相同。通過對照，發(fā)現(xiàn)神經(jīng)訓練法、隨機森林法、K近鄰算法的學習效率和精確性存在差異。神經(jīng)訓練法、隨機森林法三組實驗所獲數(shù)據(jù)如表1所示。

表1 神經(jīng)訓練法和隨機森林法實驗數(shù)據(jù)

結(jié)果表明，隨機森林法下，機器學習的效率更高，精確性也更好，能夠較好的滿足分類應用要求。神經(jīng)訓練法、K近鄰算法三組實驗所獲數(shù)據(jù)如表1所示。

表2 神經(jīng)訓練法和K近鄰算法實驗數(shù)據(jù)

結(jié)果表明，K近鄰算法下，機器學習的效率更高，精確性也更好，能夠較好的滿足分類應用要求。

3.3 實驗結(jié)論

經(jīng)過實驗對比，在應用隨機森林法、K近鄰算法的情況下，可以實現(xiàn)數(shù)據(jù)降維，將多維度的數(shù)據(jù)以非線性條件進行分類，使所有數(shù)據(jù)能夠直接在特征空間內(nèi)與對應的分類類別實現(xiàn)匹配，免去線性約束條件下神經(jīng)訓練法復雜計算的麻煩，機器學習的效率高、分類應用的成果也更好。此外，應用隨機森林法進行數(shù)據(jù)降維，機器學習效率略低于K近鄰算法，但精度略高，這也體現(xiàn)了兩類算法各自的優(yōu)劣勢。

4 結(jié)束語

通過數(shù)據(jù)降維的方式可以加以應對，可行的計算方式包括隨機森林法、K近鄰算法等。模擬實驗表明，隨機森林法、K近鄰算法在機器學習中的效率更好，后續(xù)工作中，可作為機器學習的參考方式。

[1]楊磊, 唐曉燕.基于流形學習的高光譜圖像非線性降維算法[J].河南理工大學學報(自然科學版), 2016, 35(05): 660-665.

[2]李海亭, 肖建華, 李艷紅.機器學習在車載激光點云分類中的應用研究[J].華中師范大學學報(自然科學版), 2015, 49(03): 460-464.

[3]王懿.基于自然語言處理和機器學習的文本分類及其應用研究[J].《中國科學院研究生院(成都計算機應用研究所)》 , 2006.

[4]羅凱旋，鐘凡，趙亮，賀福初.評估幾種降維分類器應用于生物質(zhì)譜數(shù)據(jù)的性能 [J]《中國科學:生命科學》, 2010,40(6):544-550.

[5]楊秀鋒.基于機器學習的生物醫(yī)學數(shù)據(jù)處理方法研究[J].中國科學院大學,2014.