基于信息熵的粗糙集属性应急数据去重挖掘算法研究

曾维佳 秦放 李琳 徐鹏

摘 要：主动学习已经被证明是一种成功的机器学习算法，最主要的缺點是它只注重样本的标签信息而忽略了样本的分布信息。因此带来的后果就是稳定性差，容易陷入局部最优解，同时对初始样本的选择非常敏感。论文将稀疏子空间聚类与主动学习相结合，首先利用稀疏子空间聚类找到原始数据的分布信息，然后利用该信息指导主动学习选取初始样本，使样本标注更加有效，提高了主动学习的效率，同时降低了主动学习对初始样本的敏感度。最后通过多组仿真实验证明，本方法可以有效的改善主动学习的性能。

关键词：主动学习;稀疏子空间;聚类

中图分类号：TP391.9      文献标识码：A

主动学习作为一种成功的机器学习，已经广泛的应用于生物、医学和材料等领域。例如研究细胞蛋白质的相互作用，通过实验验证的代价非常大，利用主动学习，可以在有限的样本基础上进行训练，然后有效的预测蛋白质间是否具有相互作用，从而大大降低了实验代价。

但是传统的主动学习对初始值比较敏感。选择不同的样本作为初始样本集，最终通过学习得到的分类模型可能会有很大的差异。有的效果非常好，有的虽然经过多次的迭代但效果仍然很差，表现很不稳定。导致这种现象的一个主要原因是，主动学习在选择样本时没有考虑数据集本身的结构分布特点。

主动学习要进行第一次迭代之前，需要建立一个初始分类模型，用于选择信息含量最大的样本。……