[发明专利]兼顾公平性的上下文感知学习的结果预测分类器

摘要

本发明公开了一种兼顾公平性的上下文感知学习的结果预测分类器，分类器采用如下分类步骤：（1）初始化分类器的探索参数；（2）初始化分类器的权重矩阵；（3）判断数据库中是否有数据，如是，则随机选取其中一条数据的特征，转至步骤（4），如否，则结束训练；（4）根据选取赌博臂的概率取出分类样本；（5）根据权重矩阵预测结果；（6）接收实际结果的反馈，判断是否满足条件，如是，则预测失败，转至步骤（7），如否，则转至步骤（3）；（7）更新分类器的权重矩阵。本发明分类器利用划分结果更新分类器，根据特征划分出类别，如划分错误，则进行分类器权重矩阵的更新，从而使分类器划分出的类别更准确了，使得预测成功率更高。

主权项

1.一种兼顾公平性的上下文感知学习的结果预测分类器，其特征在于，所述分类器通过有序的训练样本((X1,y1),...,(Xt‑1,yt‑1))进行t‑1轮训练后得到映射f_t‑1，在第t轮训练时，分类器根据映射f_t‑1得出测试样本(Xt,yt)的预测值并且更新映射，分类器采用如下分类步骤：(1)初始化分类器的探索参数γ∈(0,0.5)；(2)初始化分类器的权重矩阵W元素全为0；(3)判断数据库中是否有数据，如是，则随机选取其中一条数据的特征xt，转至步骤(4)，如否，则结束训练；(4)根据选取赌博臂的概率P[r]取出分类样本其中，r是赌博臂的编号，取(0，k)的任意值；γ是探索系数；wrx是选取第r个赌博臂的奖赏值；k是赌博臂的总数；P表示概率，P[]是一个数组，里面存放着选取对应的赌博臂的概率；(5)根据权重矩阵预测结果(6)接收实际结果y_t的反馈，判断是否满足如下条件：如是，则预测失败，转至步骤(7)，如否，则转至步骤(3)；(7)根据如下公式更新分类器的权重矩阵：其中，为随机变量，表示随机试验各种结果的实值单值函数；Wt+1[r]为更新后选取赌博臂r的权重；Wt[r]为更新前选取赌博臂r的权重。