简介:基于大数据对大学生体质进行分类预测,有助于大学体育治理体系的建设,朴素贝叶斯模型是一种操作简单且性能较好的机器学习分类算法.基于朴素贝叶斯分类算法,采用广州商学院2014、2015年学生体测数据及其评分结果作为源数据,构建大学生体质分类器.应用此分类器可对大学生的体质状况实现一定概率意义上正确的判断,从而可以对体质存在隐患概率比较大的学生给出主动性预警,以便大学体育对学生进行群体性的体质判断、进行个性化的有效干预,从而促进学生健康发展,提高大学生整体体质水平.分类器模型用Python编码实现,最后用与训练数据不重叠的历史体质数据检测分类器的准确率,结果显示,基于朴素贝叶斯算法的体质分类器达到了78%的正确率.
简介:摘要:深度学习工作流中最难的部分之一是为模型寻找最佳的超参数。深度学习模型的性能与超参数直接相关。超参数调优越多,得到的模型就越好。在神经网络框架中,如何对其模型的超参数进行自动化获取一直是一个重要问题。因此,为了提高超参数优化的效率,提出了一种基于贝叶斯优化,进化和粒子群的超参数优化算法。该方法针对不同优化场景进行了相应的使用。
简介:大麦的糖化力和蛋白质含量是影响大麦品质的重要指标,对此类性状进行QTL定位具有重要的经济意义。本研究分别采用传统的单QTL扫描方法和3种贝叶斯LASSO方法实现此类性状的QTL精细解析。在对大麦蛋白质含量的QTL检测上,单QTL扫描方法共检测到了3个QTL,而3种贝叶斯方法检测到了7个QTL,其中2个与单QTL扫描方法检测的QTL吻合。在大麦糖化力的QTL检测上,传统的单QTL扫描方法共检测到了3个QTL,而3种贝叶斯方法除了检测到这3个QTL外,还检测发现了额外的2个连锁的QTL;表明贝叶斯方法在北美大麦蛋白质含量和糖化力QTL检测中可以更加有效地分离处于连锁位置或接近状态的QTL进而提高QTL的检测效力。
简介:近年来,人们针对页岩气井产量预测建立了多种解析递减曲线模型(Anderson等,2010;11k等2008;Valko和Lee2010)。页岩气产量预测存在相当大的不确定性,但这些作者要么没有量化页岩气井储量的不确定性,要么无法证实其概率预测结果得到了很好的标定。Jochen和Spivev(1996)和Cheng等(2010)开发出了可以开展概率递减预测和量化储量不确定性的自助法(bootstrapmethod)。采用改进型自助法(Cheng等,2010)开展预测能够很好地反映真实的储量。但由于需要为每口井都开展数百次的牛顿迭代(NewtonIteration),其时间效率比较低。在本次研究中,我们针对概率递减曲线分析引入了贝叶斯法,用于快速可靠地量化储量不确定性,而且无需修改历史产量数据。我们通过分析巴奈特页岩区带中生产历史在7年以上的167口水平井,验证了这种方法的有效性。在贝叶斯方法中,递减曲线参数qi、D.和b被假定为随机变量,而非为获得最佳拟合效果而需进行修改的参数。采用带Metropolis算法的McMc建立了递减曲线参数的马尔科夫链。在对167口巴奈特水平页岩气井开展测试时,我们假设前半时段的产量数据已知,而下半时段的产量数据未知,后者被视为“未来产量”。这167口井的“未来产量”数据大约有85%落在由贝叶斯法计算的P90和P10储量范围内,说明这种方法得到了很好的标定,而且贝叶斯法的计算速度是改进型自助法的13倍。所提出的贝叶斯法为人们快速而可靠地得出概率递减曲线预测结果和量化储量不确定性提供了一种手段。如有必要,这个方法还可以与其它解析递减曲线模型结合使用。
简介:摘要:贝叶斯网络作为数据分析和不确定性推理的工具,帮助人们将概率统计应用于复杂领域。它随着人工智能的研究而兴起,其影响范围也逐渐扩大到了其它众多领域,并产生了重要的影响。贝叶斯网络也是描述随机变量之间的相关性的一种语言,完成概率推理是贝叶斯网络的主要目标,即预测一些事件的发生概率。理论上联合概率能满足在机变量之间进行概率推理的要求,但随着变量的数量增加联合概率的复杂度呈指数增长,因此应用联合概率分布进行概率推理变得不可行。贝叶斯网络可以将复杂的联合概率分布分解成多个模块,从而达到降低联合概率分布复杂度的目的。这一方法的提出解决了原先概率论难以应用于大型复杂系统的困难。
简介:摘要:根据朴素贝叶斯算法,本文构建了老年人心理健康影响因素分析模型。利用调查问卷确定各项数据权值,建立三级模糊综合评价体系,加入老年人常见心理特征根据数据模型的统计分析和专业心理分析师的理论指导,给出了更为合理的综合心理评估模型。