[发明专利]基于给定用户偏好的加权分类器模型中权重的学习方法

权利要求书

1.一种基于给定用户偏好的加权分类器模型中权重的学习方法，其特征在于，所述基于给定用户偏好的加权分类器模型中权重的学习方法包括：

第一步，随机生成若干个权重向量做为一个种群中的个体；

第二步，对于每一个权重向量根据表达式计算出加权分类器模型对于所有样本类别的预测值，然后根据预测结果和代价矩阵计算出分类错误总代价，即所有被误分类样本的分类错误代价之和；

第三步，按照某一比例从权重向量集合中选出分类错误总代价较小的权重向量，并对选出的向量进行编码、交叉、变异遗传操作，产生一个新的权重向量集合；

第四步，对上个步骤中新生成的权重向量重复进行第二步～第三步，直至达到迭代停止的条件；经过解码后得到的权重向量使分类错误总代价达到最小值的最优权重向量。

2.如权利要求1所述的基于给定用户偏好的加权分类器模型中权重的学习方法，其特征在于，加权最小二乘分类器模型表示：

在一个代价敏感分类问题中有N个训练样本(x_l,t_l)，其中x_l＝[x_l1,x_l2,…,x_ln]^T∈Rⁿ是第l(l＝1,2,…,N)个样本的向量表示，n是样本的条件属性个数；t_l＝[t_l1,t_l2,…,t_lm]^T∈R^m是第l个样本类别的真实值，是一个由0、1元素组成的m维向量，m表示样本类别的个数，当样本属于第k(k＝1,2,…,m)类时，该向量的第k个元素为1，其余元素为0；

样本类别的预测值也是一个m维向量；如果预测值向量的第k个元素最大，则我们就预测样本属于第k类；一个含有个隐含层结点的随机单层网络对于第l个样本的类别预测值表示为：

其中α_i·x_l表示α_i和x_l的内积；g(x)为激活函数；α_i＝[α_i1,α_i2,…,α_in]表示随机单层网络中连接隐含层与输入层的权值矩阵；β_i＝[β_i1,β_i2,…,β_im]^T表示连接隐含层与输出层的权值矩阵；b_i表示第i个隐含层结点处的偏置；α_i和b_i是被随机赋值的；

加权最小二乘模型要最小化的加权误差平方和：

其中w＝[w₁,w₂,…,w_m]的每个元素对应为每一类样本赋予的权重；N_k表示第k个类别中所包含的样本的个数，并且N₁+N₂+…+N_m＝N；

加权最小二乘模型中连接隐含层和输出层的权值矩阵为：

其中，“+”表示Moore-Penrose广义逆矩阵运算；

得到加权最小二乘模型的输出函数：

由于是通过随机赋值得到的，得到加权最小二乘模型输出函数表达式的关键便是求出使分类错误总代价达到最小值的每一类样本的权重w₁,w₂,…,w_m的值。

3.如权利要求1所述的基于给定用户偏好的加权分类器模型中权重的学习方法，其特征在于，加权最小二乘模型中权重的学习方法包括：采用遗传算法从代价矩阵中获取加权分类器模型中各类样本的权重，将每个可能的解看作是群体中的一个个体，并将其编码成字符串的形式；根据适应度函数对每一个个体进行评价，给出一个适应度值；根据个体的适应度利用遗传算子对这些个体进行操作，得到优于上一代的新种群，朝着更优解的方向进化。

4.如权利要求3所述的基于给定用户偏好的加权分类器模型中权重的学习方法，其特征在于，遗传算法中的遗传算子包括：

选择-复制：通常做法是对于一个种群S，随机选定N个个体并进行复制操作。其中每个个体有各自被选中的概率；选择把条件好的个体或解直接遗传到下一代；选择操作建立在群体中个体的适应度评估基础上的；

交叉：根据交叉率将种群中的两个个体随机地交换某些基因，具体操作是:在个体串中随机设定一个交叉点，实行交叉时，该点前或后的两个个体的部分结构进行互换，并生成两个新个体；

变异：将变异算子作用于群体是对群体中的个体串的某些基因座上的基因值作变动。