有序回归问题研究及应用
文献综述
摘要：随着信息技术的飞速发展，机器学习进入了人们的视野。它能高效地处理那些较为复杂且重复度高的操作，有力地帮助人们完成工作。Python作为新兴语言，在机器学习方面有着强大的能力。统计学能使算法模型的建立更加科学、快速。其他相关理论对于机器学习的发展也密不可分。作为机器学习算法一大主力的回归算法自然是一个良好的研究对象。
关键字：机器学习 回归 统计
- 前言
随着信息技术的飞速发展，机器学习进入了人们的视野，成为了当今计算机学科的热点话题之一。而分类、回归等算法决定了机器学习的能力。
大数据时代的来临，使得机器学习拥有了海量数据作为训练、测试对象。同时这些数据也远超人力处理范围，亟需高效的人工智能进行分类、处理。而回归算法正是利用已处理的数据进行预测分析，对未知数据进行处理。
对于机器学习，国外各大互联网巨头早已开展深入研究，Google正凭借着PageRank算法构建了自己强大的搜索引擎。而其他搜索引擎也大多使用着以贝叶斯算法为主的机器学习算法。PAL计划、汽车自动驾驶系统等等，越来越多的学科开始利用机器学习推动产业进步，同时加快机器学习发展。有序回归问题最近已经受到关注，并出现可观研究主题，多注重于区分有序回归与其他回归之间的问题。
国内对于机器学习的研究发展十分关注，不仅政府与企业，平民也时常关注相关发展。同时大数据的兴起，使得机器学习有了良好的发展基础。国内在泛化能力上的研究显而易见，大量机器学习成果可视化，融入人民生活与企业管理。对于监督学习，目前监督学习算法向多示例学习算法转化以及多示例问题的求解方法都取得了国际上最好的成果。在数据挖掘中，由于其商用价值的体现，目前各大企业均有对其科研的投入与应用，同时学术界也相当关注。但就有序回归而言，相关文献较少，且关注度较低。
不同于分类问题的离散结果，回归问题常常用于预测某个连续的结果，如人口流动方向、市场价格波动、疾病传播趋势等等。在现有算法中这种预测往往存在或多或少的误差，尤其在高精度需求下十分明显。且算法容易受到某些特殊样本的干扰，使得结果不尽如人意。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
