[发明专利]基于迭代均值聚类的深度样本学习方法

权利要求书

1.一种基于迭代均值聚类的深度样本学习方法，其特征在于，按照以下步骤进行：

S1：选择训练数据，并通过N次迭代均值聚类算法处理得到N+1层训练样本子集，N≥1；

S2：将每层训练样本子集独立进行回归训练，得到N+1个回归器；

S3：选择验证数据，先将验证样本与每一层的样本空间进行欧氏距离相似性计算，从而将该验证样本转化为该层样本空间与之最相似的样本，并将这些样本分别送入N+1个回归器中得到N+1个验证结果；

S4：基于加权融合机制确定每个回归器对应的最佳权重(w₀,w₁,…,w_N)；

S5：获取测试数据，先将测试样本与每一层的样本空间进行欧氏距离相似性计算，从而将该测试样本转化为该层样本空间与之最相似的样本，再将这些样本分别送入步骤S2所得的N+1个回归器以及步骤S4所得的每个回归器对应的最佳权重得到最终的预测结果；

所述测试数据为待测对象的医疗数据，所述训练数据和验证数据选自UCI公共数据库中的糖尿病数据或心脏病数据，每个样本包括多个特征，所述预测结果为待测对象的年龄值。

2.根据权利要求1所述的基于迭代均值聚类的深度样本学习方法，其特征在于：确定最佳权重(w₀,w₁,…,w_N)时的约束条件为：

3.根据权利要求1所述的基于迭代均值聚类的深度样本学习方法，其特征在于：所述回归器采用支持向量机回归模型，核函数使用线性核函数或者径向基核函数。

4.根据权利要求1-3任一所述的基于迭代均值聚类的深度样本学习方法，其特征在于：采用平均绝对误差MAE来评价预测算法的性能，具体为：m表示测试数据的样本个数，a_j表示第j个测试样本对应的实际值，a’_j表示j个测试样本对应的预测值。