[发明专利]一种基于渗流分析的二元分类方法

摘要

本发明提出一种基于渗流分析的二元分类方法，步骤如下：1.基于数据向量构建指标网络；2.指标网络的渗流分析；3.构建似然函数，确定关键阈值；4.模型评价及验证。通过以上步骤，本发明基于渗流分析进一步为大规模、高维度、高复杂度系统的群体分类及评价分类效果提供技术支持和理论支撑；此外，通过图模型对背景知识进行表达和运用基于相变的渗流理论进行网络分析，使计算复杂度降低，迭代收敛速度快，适合大规模计算，有利于降低计算成本。

主权项

1.一种基于渗流分析的二元分类方法，其特征在于：其具体实施步骤如下：步骤1，基于数据向量构建指标网络在建立指标网络过程中，将每个个体单元抽象为节点，每个节点用一个长度为n的向量表示，即每个节点为一个n维向量；在n维空间中求解两向量之间的距离；以个体作为节点、以两节点之间的距离作为边的权重建立指标网络；包括：(1)选取个体单元作为节点；(2)计算任意两节点之间的距离；步骤2，指标网络的渗流分析为了更好的对群体进行分类和发现整个指标网络系统的内在规律，本步骤将对指标网络的渗流进行分析，包括指标网络渗流分析、指标网络度分布分析；其中指标网络渗流分析是指运用渗流理论选取两节点之间的距离为阈值q对指标网络进行渗流，看其最大连通子图G与次大连通子图SG随阈值q的变化；指标网络度分布分析是指绘制指标网络的度分布图像，看其分布属于何种分布具有何种性质；步骤3，构建似然函数，确定关键阈值为了保证步骤2中的渗流阈值q能够将群体准确的分类，本步骤将以渗流阈值q为参数θ构建似然函数，计算每个阈值下的似然，绘制似然随着阈值的变化图，找到最大似然下的阈值，确定关键阈值，即渗流相变点，具体包括以下两个子步骤：3‑1确定群体分布；3‑2构建似然函数；步骤4，模型评价及验证为了更好的对网络分析模型进行评价，本步骤中引入运用混淆矩阵、受试者工作特征曲线即ROC曲线及ROC曲线下方的面积即AUC模型三种评价工具对建立的网络模型进行评价；同时我们也将本方法与机器学习中经典的逻辑回归方法进行对比，分别对两种模型进行评价；也就是说，在步骤4中，运用混淆矩阵、ROC曲线及AUC模型对建立的网络模型进行评价，同时与逻辑回归模型进行对比分析，其具体包括以下两个子步骤：4‑1构建逻辑回归模型；4‑2模型对比分析评价；通过以上步骤，本发明为大规模、高维度及搞复杂度的群体系统分类提供了科学可靠的技术支持和理论支撑；此外，相较于传统的分类模型，本发明能够更准确高效的将群体进行分类，降低了计算成本，增加了迭代速度。