机器学习算法在用户行为中的应用,这是一篇与机器学习算法论文范文相关的免费优秀学术论文范文资料,为你的论文写作提供参考。
机器学习算法论文参考文献：
摘 要：机器学习是人工智能相关领域中与算法相关的一个子域,是解决人工智能问题的一个途径,它允许计算机不停的模拟人的思考方式进行学习,来发掘出隐藏在数据背后的模型,并能对不完全信息进行推理,来构造新事物.目前机器学习的应用主要集中在数据挖掘,计算机视觉,自然语言处理,模式识别,搜索引擎等.文中将机器学习中的算法决策树.5,随机森林,贝叶斯网络应用到电商用户行为数据的挖掘中,解决用户行为属性与用户收入水平的分类情况问题；通过三种算法对用户行为的研究,得出决策树.5算法在用户收入分类上要优于后两种.
关键词：机器学习； 用户行为； .5算法； 随机森林；贝叶斯网络
中图分类号：TP181 文献标识码：A 文章编号：1009-3044（2017）26-0180-03
Abstract：Machine learning is in the related fields of artificial intelligence related to the algorithm a child domain, is a way to solve the problem of artificial intelligence, it allows computer simulation human way of thinking in learning, to dig the hidden data model, and reasoning with incomplete information, and to construct the new things.The mainly concentrated in machine learning application are the data mining, computer vision, natural language processing, pattern recognition, search engines, etc. This paper, will be use the machine learning algorithm of decision tree .5, random forests and bayesian networks in electricity user"s behior data mining, solving the user behior properties and classification of user levels of income；The study of user behior through three algorithms, it is concluded that the decision tree .5 algorithm on user revenue classification is better than two.
Key words：Machine learning； user behior； .5 algorithm；random forests；bayesian networks
1 概述
近年來,机器学习的研究得到了快速的发展；无论是从算法上还是应用上都是现在研究的热点.机器学习是随着人工智能的发展应运而生的,是人工智能的一部分,人工智能的概念源于20世纪50年代,由一批在当时享有盛誉的科学家提出（包括美国达特茅斯大学助教约翰.麦卡锡、哈佛大学马文.明斯基、IBM信息研究中心内森.罗切斯特和美国数学家,信息论创始人香农等）,从二十世纪七十年代以来,和空间技术、能源技术并称为称为世界三大尖端技术；从1997年深蓝在人机挑战赛中首次战胜职业棋手到2016年AlphaGo战胜世界围棋冠军可谓是人工智能飞速发展的阶段,充分证明了人工智能的未来不可限量.人工智能的研究是从以“推理”为重点到以“知识”为重点,再到以“学习”为重点,一条自然、清晰的脉络.机器学习是实现人工智能的一个途径,即以机器学习为手段解决人工智能中的问题.在人工智能早期机器学习的技术几乎全部是符号学习,到了二十世纪九十年代统计机器学习已经取代了符号学习的地位,从最初的理论模型研究发展到了以解决现实生活中的实际问题为目的的应用研究中,这是科学研究的一大进步.机器学习在近30多年已发展为一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科.机器学习所研究的是如何通过计算机的手段,利用经验来改善系统的自身性能,由经验来产生相应的算法模型,而产生算法模型的过程即为机器自动学习的过程.机器学习所要研究的也正是这些“学习算法”.学习算法的产生包括模拟人类思维学习的过程,对不完全信息进行推理的过程,构造发现新事物的过程以及针对目前比较潮流的大数据的处理的过程等等.目前机器学习所学习出的算法主要分为几类：有监督的学习算法,无监督的学习算法,以及半监督的学习算法.其中,监督学习分为‘回归’和‘分类’,回归是试图把输入变量和输出变量用一个连续函数来对应起来；分类是将输入变量与离散的类别对应起来.无监督学习是事先并不知道会出现什么结果,我们可以用聚类等的方式从数据中提取一个特殊结构,无监督学习中没有任何标签或者是只有同一种标签.半监督学习是监督学习和无监督学习相结合的学习方法,同时使用标记数据和未标记的数据来进行机器的学习工作,使用半监督学习可提高效率和学习的准确性,现在正受到越来越多机器学习研究者的关注.文中把电商用户的数据用到监督学习中的决策树算法,随机森林和贝叶斯网络算法上并用实验来验证算法的分类效果.
2 决策树.5和随机森林
决策树（decision tree）是机器学习中一种常见的学习方法,在分类、预测,规则提取方面取得了不错的效果,树形结构包括根节点,分枝和叶节点三个部分,其中根节点也是决策节点,通常代表的是数据集中待分类样本的某个属性,分枝是根节点的不同取值,叶节点是一种可能的分类结果.决策树算法通过将训练集划分为较纯的子集,再以递归的方式建立决策树.决策树算法有多种使用最广泛的是.5算法,能够处理连续性和离散型的属性数据,也能够处理具有缺失值的数据集.随机森林算法是决策树算法的扩展,是一种集成学习算法其原理是以决策树算法为基础,加入随机属性选择.文中以.5算法原理来详述决策树生成过程.
结论：适合不知如何写机器学习算法方面的相关专业大学硕士和本科毕业论文以及关于机器学习算法论文开题报告范文和相关职称论文写作参考文献资料下载。
新媒体环境下社群学习模式中用户学习行为
摘要：随着互联网技术的发展应用和教育方式的不断变革，社群学习模式应运而生，本文借鉴已有的理论，构建新媒体环境下社群学习中学习行为影响因素模型，并。
基于机器学习股市收益影响因子实证
[摘 要]本文通过对机器学习中AdaBoost算法的使用，分别对上证指数不同阶段的收益率中的财务数据进行特征学习，进而研究其不同阶段下的财务因子。
基于机器学习的不同属性数据的分类选择
摘 要：机器学习的分类算法广泛的应用于解决与数据分类有关的问题。文章基于理论分析详细地描述了常用的几种机器学习分类算法，并阐述了各种分类算法的优。
机器学习如何扭转工业微笑曲线
如果人工智能仍被视为一种“属于未来的技术”，那么，机器学习则是“早已发生的未来”，只是尚未普及。尤其是最近几年，机器学习已显现出扭转工业“微笑曲。