一种用于两类数据集挖掘的新型广义人工神经网络
神经与进化计算
2019-10-24 v1 信号处理
摘要
本研究提出一种用于两类数据挖掘的新型广义神经网络（GNN）。在GNN中，数据集中的每个属性被视为一个节点，每对节点由一条弧连接。每条弧的可靠性类似于人工神经网络中的权重且必须通过简化群优化（SSO）求解，其为常数。在将节点可靠性设为相关属性的变换值后，基于所提出的智能蒙特卡洛模拟（iMCS）计算各GNN实例的近似可靠性。然后将该近似GNN可靠性与给定阈值比较以预测每个实例。所提出的iMCS-SSO用于重复该过程并训练GNN，使预测类值尽可能匹配实际类值。为评估所提GNN的分类性能，在五个知名基准数据集上进行了实验。计算结果表明其优于支持向量机所得结果。
引用
@article{arxiv.1910.10461,
title = {A Novel Generalized Artificial Neural Network for Mining Two-Class Datasets},
author = {Wei-Chang Yeh},
journal= {arXiv preprint arXiv:1910.10461},
year = {2019}
}
备注
14pages