-
當(dāng)前位置:首頁 > 創(chuàng)意學(xué)院 > 技術(shù) > 專題列表 > 正文
灰狼算法特征選擇(灰狼算法特征選擇題及答案)
大家好!今天讓創(chuàng)意嶺的小編來大家介紹下關(guān)于灰狼算法特征選擇的問題,以下是小編對此問題的歸納整理,讓我們一起來看看吧。
開始之前先推薦一個非常厲害的Ai人工智能工具,一鍵生成原創(chuàng)文章、方案、文案、工作計劃、工作報告、論文、代碼、作文、做題和對話答疑等等
只需要輸入關(guān)鍵詞,就能返回你想要的內(nèi)容,越精準(zhǔn),寫出的就越詳細(xì),有微信小程序端、在線網(wǎng)頁版、PC客戶端
官網(wǎng):https://ai.de1919.com。
創(chuàng)意嶺作為行業(yè)內(nèi)優(yōu)秀的企業(yè),服務(wù)客戶遍布全球各地,如需了解SEO相關(guān)業(yè)務(wù)請撥打電話175-8598-2043,或添加微信:1454722008
本文目錄:
一、THC是什么意思?CFS費用是什么意思?
THC即Terminal Handling Charges (碼頭處理費)的縮寫,是指由船公司向交貨人或收貨人收取的費用,用以抵償船公司在裝貨港或目的港需要支付給碼頭或者中間作業(yè)經(jīng)營者的貨柜碼頭裝卸費用及其他有關(guān)處理貨物的費用。THC可分成裝貨港的THC和目的港的THC。
CFS是集裝箱貨運站(CONTAINER FREIGHT STATION)是處理拼箱貨的場所,集裝箱貨運站的使用費用,它辦理拼箱貨的交接,配載積載后,將箱子送往CY(Container Yard, 集裝箱(貨柜)堆場),并接受CY交來的進口貨箱,進行拆箱,理貨,保管,最后撥給各收貨人。同時也可以按承運人的委托進行鉛封和簽發(fā)場站收據(jù)等業(yè)務(wù)。CFS的費用,通常是以一個立方多少來計算的。
擴展資料:
THC按起運港和目的港不同可劃分為OTHC(Origin Terminal Handling Charge,起運港碼頭操作費)和DTHC(Destination Terminal Handling Charge,目的港碼頭操作費)兩種。出口到美國的貨物沒有DTHC。
2010 1月1號開始,船公司會進一步增加THC 的收費,部分船公司收費已經(jīng)發(fā)出通知,例如COSCO。
THC費用、ORC費用法律提示:
1. 無論FOB還是CFR情況下,裝貨港的THC/ORC費用均由賣方承擔(dān),中國供應(yīng)商在報價時必須考慮該價格因素。
2. 認(rèn)為FOB情況下,買方承擔(dān)運費就必然承擔(dān)THC或者ORC的觀點是失當(dāng)?shù)?。該觀點是對THC費用性質(zhì)及FOB條款涵義的誤解所造成的,中國供應(yīng)商應(yīng)予注意。
3. 認(rèn)為CFR情況下,賣方必然承擔(dān)卸貨港的駁運費、碼頭費用的觀點也是失當(dāng)?shù)摹Yu方可以通過在運輸合同中排除承擔(dān),以及在買賣合同中約定由買方承擔(dān),而實現(xiàn)自身的免責(zé)。所以,CFR條件下,賣家需要注意的問題是,運輸合同由賣方簽訂,船公司往往在格式條款中要求賣家承擔(dān)目的港的碼頭費用,若賣方不擬承擔(dān)該費用,應(yīng)在運輸合同中排除;若船公司的格式合同不容更改,則應(yīng)在買賣合同中約定由買方補償該費用。
4. 上述關(guān)于THC和ORC費用的承擔(dān)適用于買賣雙方僅約定FOB或CFR條件,且沒有對THC和ORC作出特別約定的情形,事實上,對于THC和ORC的承擔(dān),買賣雙方是可以通過買賣合同另行約定,且該另行之約定較FOB或CFR條件有優(yōu)先效力。
參考資料:百度百科-THC (集裝箱碼頭裝卸作業(yè)費的縮寫)
參考資料:百度百科-CFS (集裝箱貨運站)
二、決策樹算法-原理篇
關(guān)于決策樹算法,我打算分兩篇來講,一篇講思想原理,另一篇直接擼碼來分析算法。本篇為原理篇。
通過閱讀這篇文章,你可以學(xué)到:
1、決策樹的本質(zhì)
2、決策樹的構(gòu)造過程
3、決策樹的優(yōu)化方向
決策樹根據(jù)使用目的分為:分類樹和回歸樹,其本質(zhì)上是一樣的。本文只講分類樹。
決策樹,根據(jù)名字來解釋就是,使用樹型結(jié)構(gòu)來模擬決策。
用圖形表示就是下面這樣。
其中橢圓形代表:特征或?qū)傩?。長方形代表:類別結(jié)果。
面對一堆數(shù)據(jù)(含有特征和類別),決策樹就是根據(jù)這些特征(橢圓形)來給數(shù)據(jù)歸類(長方形)
例如,信用貸款問題,我根據(jù)《神奇動物在哪里》的劇情給銀行造了個決策樹模型,如下圖:
然而,決定是否貸款可以根據(jù)很多特征,然麻雞銀行選擇了:(1)是否房產(chǎn)價值>100w;(2)是否有其他值錢的抵押物;(3)月收入>10k;(4)是否結(jié)婚;這四個特征,來決定是否給予貸款。
先不管是否合理,但可以肯定的是,決策樹做了特征選擇工作,即選擇出類別區(qū)分度高的特征。
由此可見, 決策樹其實是一種特征選擇方法。 (特征選擇有多種,決策樹屬于嵌入型特征選擇,以后或許會講到,先給個圖)即選擇區(qū)分度高的特征子集。
那么, 從特征選擇角度來看決策樹,決策樹就是嵌入型特征選擇技術(shù)
同時,決策樹也是機器學(xué)習(xí)中經(jīng)典分類器算法,通過決策路徑,最終能確定實例屬于哪一類別。
那么, 從分類器角度來看決策樹,決策樹就是樹型結(jié)構(gòu)的分類模型
從人工智能知識表示法角度來看,決策樹類似于if-then的產(chǎn)生式表示法。
那么, 從知識表示角度來看決策樹,決策樹就是if-then規(guī)則的集合
由上面的例子可知,麻雞銀行通過決策樹模型來決定給哪些人貸款,這樣決定貸款的流程就是固定的,而不由人的主觀情感來決定。
那么, 從使用者角度來看決策樹,決策樹就是規(guī)范流程的方法
最后我們再來看看決策樹的本質(zhì)是什么已經(jīng)不重要了。
決策樹好像是一種思想,而通過應(yīng)用在分類任務(wù)中從而成就了“決策樹算法”。
下面內(nèi)容還是繼續(xù)講解用于分類的“決策樹算法”。
前面講了決策樹是一種 特征選擇技術(shù) 。
既然決策樹就是一種特征選擇的方法,那么經(jīng)典決策樹算法其實就是使用了不同的特征選擇方案。
如:
(1)ID3:使用信息增益作為特征選擇
(2)C4.5:使用信息增益率作為特征選擇
(3)CART:使用GINI系數(shù)作為特征選擇
具體選擇的方法網(wǎng)上一大把,在這里我提供幾個鏈接,不細(xì)講。
但,不僅僅如此。
決策樹作為嵌入型特征選擇技術(shù)結(jié)合了特征選擇和分類算法,根據(jù)特征選擇如何生成分類模型也是決策樹的一部分。
其生成過程基本如下:
根據(jù)這三個步驟,可以確定決策樹由:(1)特征選擇;(2)生成方法;(3)剪枝,組成。
決策樹中學(xué)習(xí)算法與特征選擇的關(guān)系如下圖所示:
原始特征集合T:就是包含收集到的原始數(shù)據(jù)所有的特征,例如:麻瓜銀行收集到與是否具有償還能力的所有特征,如:是否結(jié)婚、是否擁有100w的房產(chǎn)、是否擁有汽車、是否有小孩、月收入是否>10k等等。
中間的虛線框就是特征選擇過程,例如:ID3使用信息增益、C4.5使用信息增益率、CART使用GINI系數(shù)。
其中評價指標(biāo)(如:信息增益)就是對特征的要求,特征需要滿足這種條件(一般是某個閾值),才能被選擇,而這一選擇過程嵌入在學(xué)習(xí)算法中,最終被選擇的特征子集也歸到學(xué)習(xí)算法中去。
這就是抽象的決策樹生成過程,不論哪種算法都是將這一抽象過程的具體化。
其具體算法我將留在下一篇文章來講解。
而決策樹的剪枝,其實用得不是很多,因為很多情況下隨機森林能解決決策樹帶來的過擬合問題,因此在這里也不講了。
決策樹的優(yōu)化主要也是圍繞決策樹生成過程的三個步驟來進行優(yōu)化的。
樹型結(jié)構(gòu),可想而知,算法效率決定于樹的深度,優(yōu)化這方面主要從特征選擇方向上優(yōu)化。
提高分類性能是最重要的優(yōu)化目標(biāo),其主要也是特征選擇。
面對過擬合問題,一般使用剪枝來優(yōu)化,如:李國和基于決策樹生成及剪枝的數(shù)據(jù)集優(yōu)化及其應(yīng)用。
同時,決策樹有很多不足,如:多值偏向、計算效率低下、對數(shù)據(jù)空缺較為敏感等,這方面的優(yōu)化也有很多,大部分也是特征選擇方向,如:陳沛玲使用粗糙集進行特征降維。
由此,決策樹的優(yōu)化方向大多都是特征選擇方向,像ID3、C4.5、CART都是基于特征選擇進行優(yōu)化。
參考文獻
統(tǒng)計學(xué)習(xí)方法-李航
特征選擇方法綜述-李郅琴
決策樹分類算法優(yōu)化研究_陳沛玲
基于決策樹生成及剪枝的數(shù)據(jù)集優(yōu)化及其應(yīng)用-李國和
三、比較特征選擇和因子分析算法的異同
因子分析 1輸入數(shù)據(jù)。 2點Analyze 下拉菜單,選Data Reduction 下的Factor 。 3打開Factor Analysis后,將數(shù)據(jù)變量逐個選中進入Variables 對話框中。 4單擊主對話框中的Descriptive按扭,打開Factor Analysis: Descriptives子對話框,在Statistics欄中選擇Univariate Descriptives項要求輸出個變量的均值與標(biāo)準(zhǔn)差,在Correlation Matrix 欄內(nèi)選擇Coefficients項,要求計算相關(guān)系數(shù)矩陣,單擊Continue按鈕返回Factor Analysis主對話框。 5單擊主對話框中的Extraction 按鈕,打開如下圖所示的Factor Analysis: Extraction 子對話框。在Method列表中選擇默認(rèn)因子抽取方法——Principal Components,在Analyze 欄中選擇默認(rèn)的Correlation Matrix 項要求從相關(guān)系數(shù)矩陣出發(fā)求解主成分,在Exact 欄中選擇Number of Factors;6, 要求顯示所有主成分的得分和所能解釋的方差。單擊Continue按鈕返回Factor Analysis主對話框。 6單擊主對話框中的OK 按鈕,輸出結(jié)果。
四、特征元素篩選的目的
特征提取的目的是把樣本集從高維特征空間映射到低維特征空間,并使映射后的樣本集仍具有良好的可分性。特征提取算法的好壞會影響系統(tǒng)的最終識別效果,同時經(jīng)過特征提取后的數(shù)據(jù)集由于維數(shù)的減少,會明顯減少系統(tǒng)的計算時間。然而在很多問題中往往不容易提取出合適的特征,需要根據(jù)具體的分類問題選擇特征選擇算法。
以上就是關(guān)于灰狼算法特征選擇相關(guān)問題的回答。希望能幫到你,如有更多相關(guān)問題,您也可以聯(lián)系我們的客服進行咨詢,客服也會為您講解更多精彩的知識和內(nèi)容。
推薦閱讀:
灰狼優(yōu)化算法應(yīng)用(灰狼優(yōu)化算法應(yīng)用)
多目標(biāo)灰狼算法(多目標(biāo)灰狼算法流程圖)