无放回抽样帕尔森窗口集成方法在大规模数据集上的应用

"基于无放回抽样的帕尔森窗口集成方法" 本文是关于机器学习和数据挖掘领域的一篇研究论文，发表于2018年11月的《深圳大学学报理工版》第35卷第6期。文章探讨了如何在处理大规模数据集时有效地估计概率密度函数的问题，提出了一种名为“基于无放回抽样的帕尔森窗口集成”（Sampling without Replacement-based Parzen Window Ensemble, SR-PWE）的方法。SR-PWE旨在解决在有限计算资源下，如何对大数据集进行高效且准确的概率密度估计。 帕尔森窗口方法是一种非参数统计方法，用于估计连续随机变量的概率密度函数。通常，它通过在数据点周围构建一个“窗口”，然后用高斯核（即正态分布）对窗口内的数据点进行加权平均来近似整个数据集的概率密度。然而，对于大数据集，使用所有数据点可能会非常计算密集且不切实际。 无放回抽样是一种采样策略，其中每个样本在每次抽取后不再放回，这导致每次抽样后剩余样本的总体概率分布发生变化。在SR-PWE方法中，研究人员利用这种抽样策略来减少需要处理的数据量，从而提高计算效率。通过从大规模数据集中无放回地抽取一部分样本，然后对这些样本应用帕尔森窗口方法，可以得到对整体概率密度函数的近似估计。 论文进一步讨论了如何构建和优化这个集成模型，即通过组合多个帕尔森窗口估计来提高估计的稳定性和准确性。集成学习是机器学习中的一个重要概念，它通过组合多个弱学习器（在这种情况下是帕尔森窗口估计）来创建一个更强大的预测模型。SR-PWE方法可能是通过集成不同抽样子集的结果来实现这一目标的。 此外，文章还提到了其研究背景和相关工作，包括国家自然科学基金、中国博士后科学基金、深圳大学新引进教师科研启动基金以及国家重点研发计划的支持。作者团队包括何武超、王晓兰、何玉林和熊睿杰，其中何玉林作为通信作者，负责与研究相关的通信联系。 SR-PWE方法是一种创新的集成学习策略，它结合了帕尔森窗口方法和无放回抽样技术，以适应大规模数据集的概率密度函数估计需求。这种方法在资源有限的情况下，能够提供一个高效且准确的解决方案，对于大数据分析和机器学习领域的实践具有重要意义。