[发明专利]一种自动机器学习的构成方法

权利要求书

1.一种自动机器学习的构成方法，其特征在于：

(1)基于一种最佳化的尺度，或最大信息量的尺度，或最大概率的尺度；经过迭代可产生一个最佳化，或最大信息量，最大密度，或最大概率的空间；

(2)在上述的最佳化，或最大信息量，或最大概率的空间中，由另一个函数逼近模型依赖于这一空间进行函数逼近；

(3)由上述(1)与(2)的反复循环；复数次迭代达到目标函数的最佳逼近；由此所构成一种自动机器学习。

2.根据权利要求1所述的一种自动机器学习的构成方法，其特征在于：所述一种最佳化的尺度是指：包括分形；或者是模拟生物在自然环境下的遗传和进化的遗传操作；或者是最大模糊值；或者是最大密度值；或者是最大近似值；或者是最大类似关系值中的一种；

或者是针对非概率空间也可引伸到欧几里德空间的距离(Euclidean Distance)尺度、或者是曼哈顿距离(Manhattan Distance)尺度、或者是切比雪夫距离(ChebyshevDistance)尺度、或者是闵可夫斯基(Minkowski Distance)尺度、或者是马氏距离(Mahalanobis Distance)尺度、或者是夹角余弦(Cosine)尺度、或者是统一欧几里的空间与概率空间的距离尺度、或者是统一欧几里的空间与概率空间的模糊事件概率测度中的一种；

或者是也可引伸到杰卡德相似系数(Jaccardsimilarity Coefficient)尺度；

或者是汉明距离(Hamming Distance)尺度中的一种。

3.根据权利要求1所述的一种自动机器学习的构成方法，其特征在于：所述最大信息量是指：最大信息墒。

4.根据权利要求1所述的一种自动机器学习的构成方法，其特征在于：所述最大概率的尺度是指：包括基于正态分布，或者是多变量正态分布，或者是对数正态分布指数分布，或者是t分布，或者是F分布，或者是X²分布，或者是二项分布，或者是负的二项分布，或者是多项分布，或者是泊松分布，或者是爱尔朗分布(Erlang Distribution)，或者是超几何分布，或者是几何分布，或者是通信量分布，或者是韦伯分布(Weibull Distribution)，或者是三角分布，或者是贝塔分布(Bete Distribution)，或者是伽马分布(Gamma Distribution)中的一种最大概率值。

5.根据权利要求1所述的一种自动机器学习的构成方法，其特征在于：所述函数逼近模型是指：包括线性回归逼近，或者是最佳平方逼近，或者是最小二乘逼近，或者是切比雪夫多项式逼近，或者是样条函数逼近，或者是插值多项式逼近，或者是三角多项式逼近，或者是有理逼近，或者是帕德逼近中的一种。