一種基于Q學習算法的增量分類模型

　　大數(shù)據(jù)時代的數(shù)據(jù)信息呈現(xiàn)持續(xù)性、爆炸性的増長，為杋器學習算法帶來了大量監(jiān)督樣本。然而，這對信息通常不是次性獲得的，且獲得的數(shù)據(jù)標記是不準確的，這對傳統(tǒng)的分類模型提岀了挑戰(zhàn)，而増量學習是一種重要的解決方法。但在増量學習中，樣本的標記順序將嚴重影響分類器的性能，特別是在分類器分類能力較弱的情況下，傳統(tǒng)的增量學習方法容易過早地將噪聲數(shù)據(jù)添加到訓練集上，從而影響分類器的精度。為解決這個問題，文中提岀一種基于Q學習算法的增量分類模型。該模型利用強化學習中經典的α學習算法來合理選擇樣夲増量序列，削弱噪聲數(shù)據(jù)的負面影響，并實現(xiàn)在學習過程中自主標記樣本。同時，為了解決當新增未標記樣本集規(guī)模較大時，Q學習中的狀態(tài)空間與動作空間増大帶來的計算復雜度和存儲空間呈指數(shù)増長的問題，文中進一步給出了批量增量分類模型，有效降低了模型的計算復雜度并節(jié)約了存儲空間?；赒學習算法的增量分類模型融合了增量學習及強化學習的思想，具有分類精度高、實時性強等優(yōu)點。最后，在3個UCⅠ數(shù)據(jù)集上進行實驗來驗證所提模型的有效性，結果表眀該模型通過選擇新増訓練集合的確有助于提升分類器的精度，且由不冋增量序列訓練得到的分類器精度也有較大差異?；赒學習算法的增量分類模型可以利用已有的少量監(jiān)督信息進行初始訓練，通過自主標記樣本構造增量訓練集，并通過自監(jiān)督的方弌提高分類器的精度。因此，基于α學習算法的増量分類模型可被用于解決監(jiān)督信息缺乏的問題，具有一定的應用價值。