知识与数据驱动机器学习模型的参数可辨识性理论分析与研究
来源:用户上传
作者:
摘 要：随着现代经济水平的不断提升，现代社会逐渐成信息传播的时代，在此背景之下，基于信息数据驱动的各种机器逐渐成为数据处理的关键技术。分析知识与数据驱动机器学习模型的参数的可辨识性，对于相关研究来说具有重要的价值。基于此，文章主要对知识以及数据驱动机器学习模型的参数可辨识性的理论参数进行了分析，对其研究进行了探究分析。
关键词：知识与数据驱动机器学习模型;参数可辨识性;分析以及研究
中图分类号：TP181 文献标志码：A 文章编号：2095-2945（2020）09-0014-02
Abstract： With the continuous improvement of modern economic level， modern society has gradually become an era of information dissemination. In this context， various information data-drivenmachines have gradually become the key technology of data processing. It is of great value for related research to analyze the course identification of the parameters of knowledge and data-driven machine learning model. Based on this， the paper mainly analyzes the theoretical parameters of the identifiability of knowledge and data-driven machine learning model.
Keywords： knowledge and data-driven machine learning model; parameter identifiability; analysis and research
基于辨識研究发展角度分析，辨识是数学模型以及控制系统中的关键以及集成的内容。辨识概念研究的主题在不断的拓展。在系统辨识理论中是较为关键的内容。可辨识性是机器学习的核心内容。现阶段并没有得到深入的研究。基于知识以及数据驱动机器学习模型角度进行分析，分析参数可辨识性，对其进行分析，了解其今后的发展轨迹以及主要特征具有重要的价值意义。
1 知识与数据驱动机器学习模型的参数可辨识性理论分析
模型对象为“基于知识与数据共同驱动的模型”，此模型的结构原理如图1。
其表示的就是两个子模型之间互相作用的运算以及数据驱动的子模型，可以通过机器X射线决策树以及神经元网络、也可支持向量机。参数辨识性的分析中，知识以及数据的驱动机器学习模型有重要的价值。知识驱动子模型参数变量进行处理，这也是获得参数正确估计的关键。
为了统一模型框架，将传统知识驱动或者书籍驱动模型作为例子进行分析，模糊系统以及概率图等模型相关通过单一结构化的知识表达模型可以定义为新模型的一种，新模型利用具有非结构化的先验知识以及具有任意类型的动态模型进行处理。此模型与传统的模型具有一定差异，新模型的耦合模式以及DD子模型的特征可以为参数的可辨识性提高充分的空间。通过调整模型的方式则可以达到对模型可辨识度的实际状况的调整，其具有一定的物理意义。也为不可辨识参数的转变提供可行。
今后，机器学习的模型呈现智能化的特征。利用知识以及数据，要基于“归纳”与“演绎”进行处理，为新的模型提供参考。在大数据的支持之下会产生不断的完善。经典统计理论中，可辨识度属于基本的假设，多数的统计性质均是用过假设的方式进行研究。例如，极大似然估计以及Bayes的后验分布中的渐近正态性。
可辨识性研究以及机器学习领域具有密切的关系。其中隐因子模型、变分Bayesian矩阵分解之间有着密切的关系。在机器学习领域中学习机具有奇异性的特征，其对机器学习产生了较大的影响。在参数模型以及学习算法、学习动态、Bayes推断等领域中具有重要的影响。对此，要通过创新化的方式对奇异学习机进行统计分析。
2 知识与数据驱动机器学习模型的参数可辨识性研究
2.1 奇异统计模型参数空间的几何结构
基于Amari信息几何特征，利用模型的一阶近似，非奇异统计模型参数之间的空间局部结构要对统计流形的切空间进行表示。而高阶近似则可以基于信息集合的放射链接以及相关的e-曲线和m-曲线获得。
而在奇异模型的统计流形中，并没有在奇异点中并没有切空间。通过切锥进行分析。通过同意的方式对奇异统计的具备结构进行研究分析，可以将其观测的等价参数通锥 （Cone）的方式进行嵌入，在正则流形中进行分析。
机器学习领域中的研究较大，通过对层次神经网络进行研究，发现在模型参数中的等价类并不是呈现孤立性的集合性，而是呈现连续统的方式进行存储，充分的展示了奇异模型参数的几何结构特征。
2.2 模型选择
模型选择是机器学习的重要内容。进行模型选择中主要根据可辨识性以及灵活性、吝啬性等方面进行分析，较长应用的模型准则主要有Akaike information criterion（AIC）Bayesian information criterion（BIC），Minimum descriptionl
ength（MDL）等等。
转载注明来源:https://www.xzbu.com/1/view-15131199.htm
