从不平衡数据主动学习:在线加权极限学习机的解决方案

基于极限学习机的多网络学习,王建功,,与现有神经网络相比,极限学习机具有较快的学习速度以及良好的泛化性能。然而,它的性能还可以得到很大提高,主要基于两个原因:

睡眠数据中各个阶段的样本数差异较大,睡眠数据的自动分期是一个典型的样本不平衡的机器学习问题。均衡样本方法通过抽样的手段来平衡样本,是解决样本不平衡问题的主要方法。采用均衡样本方法来平衡睡眠数据的不同阶

集成学习是通过集成多个基分类器共同决策的机器学习技术,通过不同的样本集训练有差异的基分类器,得到的集成分类器可以有效地提高学习效果。在基分类器的训练过程中,可以通过代价敏感技术和数据采样实现不平衡数据

Unbalanced data set classification

不平衡数据一般是由于数据产生的原因导致的，类别少的样本通常是发生的频率低，需要很长的周期进行采集。在机器学习任务中，不平衡数据会导致训练的模型预测的结果会偏向于样本数量多的类别，这个时候除了要选择合适

在线序列阶极限学习机源代码-OSELM.m 用于分类和回归，主要调的参数为N0这一个，他大概为你训练数据的2/3那么多你出来的结果才是差不多的

在线序列阶极限学习机源代码-SigActFun.m 用于分类和回归，主要调的参数为N0这一个，他大概为你训练数据的2/3那么多你出来的结果才是差不多的

在线序列阶极限学习机源代码-HardlimActFun.m 用于分类和回归，主要调的参数为N0这一个，他大概为你训练数据的2/3那么多你出来的结果才是差不多的

在线序列阶极限学习机源代码-SinActFun.m 用于分类和回归，主要调的参数为N0这一个，他大概为你训练数据的2/3那么多你出来的结果才是差不多的

在线序列阶极限学习机源代码-RBFun.m 用于分类和回归，主要调的参数为N0这一个，他大概为你训练数据的2/3那么多你出来的结果才是差不多的