交互式学习技术下的多元化业务建模框架分析
来源:用户上传
作者:
[摘 要]本文以多元化业务建模框架体系为研究对象，对其在交互式学习技术条件下的应用模式进行分析。通过对通用机器学习算法的简述，说明机器学习中数据标准化与归一化的处理方案，在实现机器学习数据驱重的同时，提高数据清洗与治理能力。同时，在系统化的训练模式细化说明中，分步骤对其实施方案进行介绍，为相关技术内容开发与研究提供参考材料。
[关键词]多元化业务;交互学习技术;数据挖掘
doi：10.3969/j.issn.1673 - 0194.2020.02.026
[中图分类号]TP391.1;TP18 [文献标识码]A [文章编号]1673-0194（2020）02-00-02
0 引 言
现代社会市场体系下，企业的产业发展布局不断推进，并在持续深化的发展过程中，形成了系列性的深度分析。尤其在多元化业务内容上，需要建立起开放性的模型框架，并在交互式学习的内容中，不断推进技术应用开发，并通过系列化的技术手段，形成信息技术体系的应用升级。尤其在实际处理中，应在软件系统与应用程序的建设中，将通用机器学习算法作为引导，保证学习的有效性，不断对整体多元化业务建模形成积极影响。
1 通用机器学习算法简述
机器学习系统中，形成了分类、聚类、关联分析、深度学习4种细化分类条件。其中，在分類条件下，会将物体或抽象对象的集合进行分类处理，并在形成基本训练样本数据的同时，形成多样化的数据标签。由此，可在组织问题处理方法的过程中，保证其形式的多样化。而在应用内容上，也可以采用决策树、贝叶斯、人工神经网络、K-近邻等激活手段，完成数据资料的分类分析，并在一定逻辑关系的引导下，保证自身数据分析的有效性。而在聚类分析中，主要通过数据深度挖掘，在对集合组进行整理的同时，处理未知内容的应用条件。在聚类数据处理中，还可将同一簇对象的相似性内容做出定位，并在不同簇间对象的差异性分析中，整理出深入性数据的指示内容。尤其在独立工具获取的条件下，可在保证集合步骤分析的同时，保证其他算法的预处理条件。而对于关联分析，则相对较为简单，通过对大量数据关联性状态的判断，可对其展开应用条件下的描述分析，并以此定位相应数值的应用状态。另外，在深度学习的内容上，需要建立起新的技术领域，并在开发模拟人脑学习神经网络的同时，使其参照人脑的运算模式，完成数据分析，以此保证自身对数据内容的处理效果，实现数据的效率化使用。
2 机器学习中的数据标准化与归一化
2.1 标准化
标准化技术条件中，模型中的数据信息转化为标准正态分布数值，并形成公式。
式中：xi为输入向量x的第i个特征;ui为xi的平均数值;δi为特征量标准差。由此，形成Z-score标准化。在进行变量标准化调整后，50%的观察值低于0，而另一半则在0以上，形成了整体均值状态为0，标准差数值危机的数据体系。如果在这一数据中，特征状态的分布系数有大量0值存在，则表现出这一标准化数值的不可控状态。在技术分析中发现，经过标准化处理后，xi以不带纲的状态存在，消除了不同特征向量状态下量纲差异导致的不合理因素，完成了数据资料的标准化调整。而在大数据定理的条件下，将一定数量的样本量，作为正态分布进行分析，可以在网络模型搭建过程中，保证数据的敏感性，并维护数据训练基本条件。
2.2 归一化
归一化的技术处理中，主要目标是确定某种存在的映射关系，并将源数据数值映射到[a，b]区间中，通常情况下，会将a取值设为[-1，1]，将b取值设置为[0，1]。而归一化处理的方法上，可以针对性进行区分，在划分不同归一化条件的同时，提高归一化处理的针对性，如下所示。
①Mean-max归一化处理，可直接映射到[-1，1]中，形成公式。
②min-max归一化处理，则映射到[0，1]参数上，形成公式。
在归一化应用处理的过程中，需要对场景条件做出说明，并以此确定自身技术条件的应用内容。第一，对于概率模型，无须进行归一化处理;第二，SVM与线性回归之类的最优化问题，需要进行归一化处理，并主要针对其变量取值数据进行分析;第三，神经网络体系中的归一化处理有明显的必要性，需将变量取值限制在[-1，1]，由此弱化部分大数值变量数据对整体模型产生的负面影响。通常情况下，神经网络中的隐藏层会使用tanh完成激活函数，并在优于sigmoid激活的条件下，适应其双曲正切函数的取值条件，在tanh的0均值状态下，保证归一化的有效性;第四，K-近邻算法中，如果没有对解释变量数值（x）做出归一化调整，则小数量级的释变量条件可忽略不计。
3 基于多元化业务建模框架的训练数据模式
多元化状态下，业务内容的建模框架结构中，数据挖掘技术是完成技术分析的核心。通过开展数据挖掘处理，可以针对应用条件下，数据模型训练能力不足的问题，提出有效解决策略，并在数据训练效果上，获得本质化提升。而在执行训练数据（Train Data）的过程中，除了完成基础性的模型检验以外，还可以引入验证数据，并在辅助模型上，补充小型数据集的管理办法，并通过自助法等手段，实现训练数据模式的完善体系建设。
3.1 数据挖掘
数据挖掘作为计算机学科的分支，在对多元化业务建模框架进行优化调整的过程中，可以提高训练数据的应用深度，并使整体数据体系更好地展现出信息价值。而在具体的使用数据应用分析中，可以对数据模型做出判断，通过以下4个阶段性的计算，保证数据分析的有效性。
3.1.1 训练阶段（training phase） 训练阶段为所有数据挖掘处理中公用的基础性技术，在建模处理之前，需要对数据信息进行预处理。尤其在获取定义是被分配信息的内容上，务必要对挖掘类型与特定控制信息内容做出细化分析。尤其在分类与回归技术调整中，训练阶段还需要形成一个确认处理，以此维护训练分析的有效性。另外，在训练阶段的数据管理中，还需要针对具体的数据挖掘模型，设置单独的额外数值组，并作为对测试阶段的具体描述。而这一独立数值组的计算结果，则可定位为实例内容，以此完成对决定运算法则结束时间的技术控制。
3.1.2 模型自查阶段（model introspection phase）
在添加并设计模型自查阶段的过程中，可将其作为解释与评估的具体模型，完成整体数据挖掘的对照管理。在执行过程中，需要将模型与目标设置为统一的细查数据，并在揭示训练阶段数据的同时，定位数据信息中潜藏的规律条件。同时，通过对具有统计价值信息的特性评估，保证评估模型的分析质量。
3.1.3 测试阶段（testing phase）
测试阶段的设置，可配合分类与回归。在测试过程中，可以形成模型化的对象读入系列数值组，并通过对相应数值组的具体评估，确定数值对象段的实际数值比较条件。数据统计结果可以作为应用案例，确定模型质量的可用性水平，为多样化业务模型的适用条件奠定基础。
3.1.4 应用阶段（application phase）
在模型的应用阶段中，需要输入数据组完成整体模型的评估分析。同时，也可以使用大量的数据组作为基础，对数据模型进行判断，以求更加系统的补充数据模型的计算条件。而为了形成正确的模型数据输入值，则务必保证将其分配到训练阶段，并完成对相关字段的确认与分析。由此，在预定课题的模型应用中，保证整体课题的建设条件，并在模型系统中形成完整的推论信息。最终，在推论数据的辅助作用下，可以配合附加状态的特性内容，提交并获得完整的数据挖掘资料。注意，特定条件下，推论内容的应用，是提高整体数据分析可信度状态的重要条件，需要在整体数据挖掘处理中，关注其添加状态与分析结果。
3.2 自助法计算
进行多元化业务建模分析过程中，还可尝试引入自助法进行分析。通过强调自助采样模型的（bootstrap sampling）基础性，在包含m数量样本集合数据系统D中，形成具体的数据集合。由此，在对集合进行分析的过程中，从中提炼出具体的样本条件，并复制交换到初始集合数据D中，以保证样本采集效果的重复性。經过m次的重复执行后，可以形成带有m个样本数据的新数据集，以此对自助采样结果进行计算，形成此采样的不被采集概率，表示如下。
（4）
经过这一概率分析，可以向自助采样发出通知，并在初始数据集合D中，形成36.8%的样本未出现概率。由此，可以将新生成的样本集合作为训练集，在保证D/D′测试效果的同时，完成自助化的计算分析。在自助法分析中，可以有效地区分训练集与测试集，在对自助法进行数据优化的同时，使整体数据分布条件发生改变，并在这一因素的影响下，增加误差的产生概率。所以，在进行数据分析与训练的过程中，需要根据实际情况进行选择，并采用留出法与交叉验证法完成测试。
4 结 语
企业在应用多元化业务模型框架的条件上，需要借助交互式学习技术的优势条件，通过对整体技术体系的开发，保证自身应用内容的管理状态。尤其在优化企业数据建模框架的过程中，应将深入化的数据分析作为核心，在保证深度学习状态的同时，提高整体数据分析的有效性，并生成具体的数据分析结果，对企业的实际运行管理提供必要的指导，以此维护整体技术的开发运用。
主要参考文献
[1]张雪松，庄严，闫飞，等.基于迁移学习的类别级物体识别与检测研究与进展[J].自动化学报，2019（7）.
[2]焦志伦，金红，刘秉镰，等.大数据驱动下的共享单车短期需求预测——基于机器学习模型的比较分析[J].商业经济与管理，2018（8）.
[3]冉智勇，胡包钢.统计机器学习中参数可辨识性研究及其关键问题[J].自动化学报，2017（10）.
转载注明来源:https://www.xzbu.com/3/view-15116717.htm
