基于机器学习的低维特征小样本多分类方法和装置与流程

技术特征：
1.一种基于机器学习的低维特征小样本多分类方法，其特征在于，包括以下步骤：使用三折分类交叉验证方法对样本进行多次划分，得到划分后的样本；对所述划分后的样本进行特征选择，得到特征选择结果；对所述特征选择结果进行特征变换，得到变换后的特征；对所述变换后的特征进行处理，得到最终的分类结果。2.如权利要求1所述的方法，其特征在于，所述特征选择，具体过程为：使用递归特征排除法，每次随机筛除一个特征，选择分类结果最佳的特征筛除方法，然后递归进行下一次特征筛除，直到剩下最后一个特征，统计所有筛除过程中分类结果最佳的筛除方法，作为所述特征选择结果。3.如权利要求1所述的方法，其特征在于，采用大间隔最近距离lmnn方法进行所述特征变换，具体包括以下步骤：使用主成分分析pca法初始化特征变换矩阵；使用大间隔最近距离方法lmnn优化所述特征变换矩阵；使用所述特征变换矩阵对所述特征选择结果进行线性变换，得到所述变换后的特征。4.如权利要求1所述的方法，其特征在于，使用线性核支持向量机和高斯核支持向量机分别对所述变换后的特征进行分类训练，得到分类概率，将所述分类概率相乘并归一化，生成所述最终的分类结果。5.一种基于机器学习的低维特征小样本多分类装置，其特征在于，包括划分模块、特征选择模块、特征变换模块、分类器模块，其中，所述划分模块，用于使用三折分类交叉验证方法对样本进行多次划分，得到划分后的样本；所述特征选择模块，用于对所述划分后的样本进行特征选择，得到特征选择结果；所述特征变换模块，用于对所述特征选择结果进行特征变换，得到变换后的特征；所述分类器模块，用于对所述变换后的特征进行处理，得到最终的分类结果。6.如权利要求5所述的装置，其特征在于，所述特征选择模块，具体用于：使用递归特征排除法，每次随机筛除一个特征，选择分类结果最佳的特征筛除方法，然后递归进行下一次特征筛除，直到剩下最后一个特征，统计所有筛除过程中分类结果最佳的筛除方法，作为所述特征选择结果。7.如权利要求5所述的装置，其特征在于，所述特征变换模块，采用大间隔最近距离lmnn方法进行所述特征变换，具体包括以下步骤：使用主成分分析pca法初始化特征变换矩阵；使用大间隔最近距离方法lmnn优化所述特征变换矩阵；使用所述特征变换矩阵对所述特征选择结果进行线性变换，得到所述变换后的特征。8.如权利要求5所述的装置，其特征在于，所述分类器模块，具体用于：使用线性核支持向量机和高斯核支持向量机分别对所述变换后的特征进行分类训练，得到分类概率，将所述分类概率相乘并归一化，生成所述最终的分类结果。9.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1
‑
4中任一所述的方法。

技术总结
本申请提出了一种基于机器学习的低维特征小样本多分类方法，涉及机器学习技术领域，其中，该方法包括：使用三折分类交叉验证方法对样本进行多次划分，得到划分后的样本；对划分后的样本进行特征选择，得到特征选择结果；对特征选择结果进行特征变换，得到变换后的特征；对变换后的特征进行处理，得到最终的分类结果。采用上述方案的本申请可以分析处理有噪特征，对有噪数据鲁棒性较好，同时在小样本数据上有较好的泛化能力，适用于类间特征重叠度高、存在噪声特征、训练数据量少的高难度多分类问题。类问题。类问题。


技术研发人员：徐枫 薄子豪
受保护的技术使用者：清华大学
技术研发日：2021.07.06
技术公布日：2021/11/23