我想将机器学习应用于并行环境中的分类问题。多个独立的节点,每个节点都有多个开/关传感器,可以通过启发式、训练数据或两者同时定义的事件分类来传递其传感器数据。
每个对等节点将从其独特的角度测量相同的数据,并尝试对结果进行分类,同时考虑到任何相邻节点(或其传感器或仅与节点的连接)可能存在故障。节点应该充当相等的对等点,并通过传递其结果来确定最可能的分类。
最终,每个节点都应该根据自己的传感器数据和对等节点的数据做出决策。如果这很重要,假阳性对某些分类来说是可以的(尽管不受欢迎),但假阴性是完全不可接受的。
考虑到每个最终分类都会收到好的或坏的反馈,如果节点可以相互通信以确定最可能的分类,那么用什么样的机器学习算法来解决这个问题呢?

最佳答案

如果每个单独节点中的传感器数据通常足以做出合理的决策,那么他们只需传达结果并进行多数表决。如果多数投票不合适,可以训练一个额外的分类器,该分类器使用节点的输出作为其特征向量。
因为你想要有反馈的在线监督学习,你可以使用一个反向传播的神经网络或一个增量支持向量机,将错误添加到训练集。研究分类器偏误来处理假阳性/假阴性的权衡。

07-24 09:53
查看更多