[发明专利]一种基于数据集距离评价样本集划分质量的方法

权利要求书

1.一种基于数据集距离评价样本集划分质量的方法，其特征在于，包括：

1)根据样本划分法，将样本集划分成第一训练集和第一测试集两个独立、无交叉的样本子集；所述样本划分法不包括随机划分法；

2)在再生核希尔伯特空间采用KL散度法计算所述第一训练集和第一测试集间的距离；

3)采用随机划分法将所述数据集划分为第二训练集和第二测试集；

4)在再生核希尔伯特空间采用KL散度法计算所述第二训练集和第二测试集间的距离；

5)重复执行步骤3)和4)预设次数，得到随机划分数据集距离的概率分布；

6)根据步骤5)得到的所述概率分布对步骤2)中距离的概率进行计算，计算结果P作为划分质量的评价指标；所述P越小表示样本划分质量越高。

2.如权利要求1所述的一种基于数据集距离评价样本集划分质量的方法，其特征在于，所述步骤1)包括：

1.1)设第一训练集为Tr，并置为空集，将所有样本放入候选样本集中记为Tr_cand；

1.2)计算Tr_cand中样本之间的欧氏距离，将Tr_cand中欧氏距离最远的两个样本选入第一训练集Tr，并将其从Tr_cand中删除；

1.3)分别计算Tr_cand中每个剩余样本与Tr中已选样本之间的距离，选择每个剩余样本与已选样本之间的距离最小值，在所有距离最小值的剩余样本中将具有最大距离的样本选入Tr中，并将其从Tr_cand中删除；

1.4)重复步骤1.1)到1.3)直到Tr中样本个数达到设定的样本量为止，将剩余样本作为第一测试集Te。

3.如权利要求2所述的一种基于数据集距离评价样本集划分质量的方法，其特征在于，所述步骤2)包括：

计算第一训练集Tr和第一测试集Te中样本之间的相似度；所述相似度包括：Tr内样本相似度k(tr,tr)、Te内样本相似度k(te,te)和Tr与Te间样本相似度k(tr,te)；

相似度计算的核函数选用多项式核函数或径向基核函数；

将所有样本相似度整理成格拉姆矩阵；

计算每个相似度矩阵的权重向量及计算中心化矩阵；

将格拉姆矩阵中心化，定义训练集和测试集间的距离为：

式中，为样本集j在均值i和均值k上投影向量协方差的近似，i,j,k∈{1,2},1代表Tr，2代表Te；为重构格拉姆矩阵的协方差。

4.如权利要求1所述的一种基于数据集距离评价样本集划分质量的方法，其特征在于，所述步骤3)包括：

计算所述数据集中样本量K，生成最大值为K，无重复的，长度为K的随机数列；

选择随机序列前n个值作为训练集的编号，从随机序列前n个值中抽提相应的样本组成训练集，剩余样本组成测试集。