基于离群点检测的分类结果置信度的度量方法

被引：10

作者：

严云洋 ^{[1
,2
]}

瞿学新 ^{[1
,2
]}

朱全银 ^{[1
]}

李翔 ^{[1
]}

赵阳 ^{[1
]}

机构：

[1] 淮阴工学院计算机与软件工程学院

[2] 西南科技大学计算机科学与技术学院

来源：

南京大学学报(自然科学) | 2019年 / 55卷 / 01期

关键词：

离群点; 网页分类; k均值; LOF算法;

D O I：

10.13232/j.cnki.jnju.2019.01.010

中图分类号：

TP181 [自动推理、机器学习]; TP393.092 [];

学科分类号：

140502 [人工智能];

摘要：

为度量在网络日志中网页分类模型的预测结果,将度量为可信的结果加入网址分类集合,提高网络日志中访问链接的分类效率,提出一种基于离群点检测的分类结果置信度的度量方法.采用基于Bagging构建多个弱分类器对待分类数据进行预测,并对每个预测结果构建各类别的概率向量,根据离群点检测来度量模型的预测结果是否为可信.在UCI公共数据集上,使用主流的基于k均值和基于局部密度的度量方法进行了对比实验.实验结果表明,应用基于离群点检测的分类结果置信度,基于k均值的度量方法和基于局部密度的度量方法均显著提高了准确率.另外,在工程项目爬取的网页分类中也取得了同样的效果.

引用

页码：102 / 109

页数：8

共 12 条

[1]

Non-parametric sequence-based learning approach for outlier detection in IoT.[J].Nashreen Nesa;Tania Ghosh;Indrajit Banerjee.Future Generation Computer Systems.2018,

[2]

Hybridized term-weighting method for Dark Web classification.[J].Thabit Sabbah;Ali Selamat;Md. Hafiz Selamat;Roliana Ibrahim;Hamido Fujita.Neurocomputing.2015,

[3]

A Survey of Outlier Detection Methodologies.[J].Victoria J. Hodge;Jim Austin.Artificial Intelligence Review.2004, 2

[4]

Bagging predictors [J].