基于数据降维的机器学习分类应用问题探讨

隋旻言，李骁汉

（武汉理工大学自动化学院，湖北武汉，430070）

引言

数据降维是指将单幅图像数据的高维化，使其转化为高维空间中的数据集合，进行非线性降维，寻求高维数据结构的一维表示向量，将其作为图像数据的特征表达特定目标。数据降维可以应用于多个领域，尤其是大量数据的分析计算，包括机器学习相关工作。当前机器学习分类应用问题较为突出，很大程度上影响了具体工作的开展，分析基于数据降维的机器学习分类应用问题、探讨解决对策有一定的现实意义。

1 当前机器学习分类应用问题

1.1 样本归类不清

样本归类问题，是机器学习分类应用最基础的、最突出的问题，当前机器学习的基本方式是神经训练，该算法是对人体神经系统进行模拟，通过广泛收集非结构化的海量数据进行学习，但在对样本进行归类时，由于海量数据中相近数据极多，很难实现精确的归类，导致机器学习耗时长、效率低。

1.2 计算量较大

当前机器学习的一个核心弊端是较大的计算量，这也直接影响了分类应用工作。机器人出现之初，为求保证其能够有效模仿人类的行为、实现“人工智能”，设计人员采用了神经训练法，这一算法的优势也是其弊端。具体来说，提升神经训练成果的主要方法是大量增加样本数据，样本数据越多，计算结果越理想，机器人的模仿能力也越强。

1.3 精度问题

精度问题是当前机器学习分类应用的主要问题之一，对于精度标准，各国的看法并不一致，总体而言，机器学习依然遵循样本数量越多、精度越高的基本规律[1]。

2 数据降维方式的选取

2.1 随机森林法

随机森林法是用随机的方式建立一个拟森林状的判断系统，在“判断森林”（随机森林）中，每一个进行判断的程序都以一棵“决策树”的形式存在，随机森林的每一棵“决策树”之间是没有关联的。随机森林建成后，任意输入样本进入森林，森林中的“决策树”都会分别进行一次判断，分析该样本应该属于哪一类，被最多“决策树”判定的类别，就是该样本的类别[2]。

2.2 K近邻算法

K近邻算法是最典型的降维算法，该算法理论上十分成熟。K近邻算法的核心思路是，建立若干标准点 K，各自代表一个分类类别，将样本代入特征空间，如果样本在特征空间中最邻近某个K点，即表示该样本属于该类别。与随机森林法不同，虽然K近邻算法也强调相似判断，但样本并给完全遵循非线性规律，而是在不明确的线性标准下给予模糊分类，再进行精细化处理，而且K近邻算法不遵循“决策树”式的多数原则，只要某个样本距离K点最近，就属于该类别。

3 模拟实验

3.1 观察指标

实验在虚拟环境下进行，通过参数带入模拟实验环境，应用神经训练法、随机森林法、K近邻算法对同一个机器人软件进行训练，观察机器人的学习效率和精确性。

3.2 实验过程与结果

所有实验在人工干预下进行，应用100个、1000个、10000个样本进行三轮实验，同一轮实验内应用的样本完全相同。通过对照，发现神经训练法、随机森林法、K近邻算法的学习效率和精确性存在差异。神经训练法、随机森林法三组实验所获数据如表1所示。

表1 神经训练法和随机森林法实验数据

结果表明，随机森林法下，机器学习的效率更高，精确性也更好，能够较好的满足分类应用要求。神经训练法、K近邻算法三组实验所获数据如表1所示。

表2 神经训练法和K近邻算法实验数据

结果表明，K近邻算法下，机器学习的效率更高，精确性也更好，能够较好的满足分类应用要求。

3.3 实验结论

经过实验对比，在应用随机森林法、K近邻算法的情况下，可以实现数据降维，将多维度的数据以非线性条件进行分类，使所有数据能够直接在特征空间内与对应的分类类别实现匹配，免去线性约束条件下神经训练法复杂计算的麻烦，机器学习的效率高、分类应用的成果也更好。此外，应用随机森林法进行数据降维，机器学习效率略低于K近邻算法，但精度略高，这也体现了两类算法各自的优劣势。

4 结束语

通过数据降维的方式可以加以应对，可行的计算方式包括随机森林法、K近邻算法等。模拟实验表明，随机森林法、K近邻算法在机器学习中的效率更好，后续工作中，可作为机器学习的参考方式。

[1]杨磊, 唐晓燕.基于流形学习的高光谱图像非线性降维算法[J].河南理工大学学报(自然科学版), 2016, 35(05): 660-665.

[2]李海亭, 肖建华, 李艳红.机器学习在车载激光点云分类中的应用研究[J].华中师范大学学报(自然科学版), 2015, 49(03): 460-464.

[3]王懿.基于自然语言处理和机器学习的文本分类及其应用研究[J].《中国科学院研究生院(成都计算机应用研究所)》 , 2006.

[4]罗凯旋，钟凡，赵亮，贺福初.评估几种降维分类器应用于生物质谱数据的性能 [J]《中国科学:生命科学》, 2010,40(6):544-550.

[5]杨秀锋.基于机器学习的生物医学数据处理方法研究[J].中国科学院大学,2014.