传统的分类算法大多假设数据集是均衡的,追求整体的分类精度.而实际数据集经常是不均衡的,因此传统的分类算法在处理实际数据集时容易导致少数类样本有较高的分类错误率.现有针对不均衡数据集改进的分类方法主要有两类:一类是进行数据层面的改进,用过采样或欠采样的方法增加少数类数据或减少多数类数据;另一个是进行算法层面的改进.本文在原有的基于聚类的欠采样方法和集成学习方法的基础上,采用两种方法相结合的思想,对不均衡数据进行分类.即先在数据处理阶段采用基于聚类的欠采样方法形成均衡数据集,然后用AdaBoost集成算法对新的数据集进行分类训练,并在算法集成过程中引用权重来区分少数类数据和多数类数据对计算集成学习错误率的贡献,进而使算法更关注少数数据类,提高少数类数据的分类精度

基于图论的确定性分配算法 上升-下降算法的基本思想 上升-下降算法分析 层次分配算法 超载者启动的分布式启发式算法 超/欠载者启动的结合 拍卖算法

分布式处理机分配算、基于任务优先图的任务调度、基于任务相互关系图的任务调度处理器图定义、基于任务优先图的任务调度线性分类与非线性分类的比较、基于图论的确定性分配算法、处理机分配算法举例

为解决冶金工业中网络拓扑稳定情况下的分簇问题,提出了一种基于节点邻域势函数的无线传感器网络模糊分簇算法.该算法将邻居节点的势函数信息作为模糊C均值隶属度矩阵的权值,用于网络分簇,提高了网络的负载均衡指数,确保分簇更加均衡.仿真实验表明,与LEACH相比,该算法使网络生命周期提高了93.6%,大幅延长了网络生命周期

机器学习：采用最小误差阈值分割算法的基因芯片图像分析

◼ 分治算法的原理 ◼ 大整数乘法 ◼ 矩阵乘法 ◼ 求第k小元素问题 ◼ 寻找最近点对 ◼ 快速傅立叶变换 ◼ 寻找凸包

机器感知与模式识别：一种局部加权的二维主成分分析算法及其在人脸识别中的应用

人工智能基础：局部颜色模型的交互式Graph-Cut分割算法

机器学习：一种概率过程神经元网络模型及分类算法

【学术论文】基于超曲面的分类算法研究进展