分類演算法研究現狀

① 數據挖掘的國內外研究現狀

懶惰阿。。。
開題還是論文？
這個沒有，你問多少人也不會為這點分給你現寫的。
告訴你個好方法：從中國知網（沒賬號密碼？不好意思，再懸賞200分自己問去吧）上搜索往年的論文，然後把.NK格式的大論文的前言部分找自己需要的粘貼下來，再自己添幾句話使之看起來不象別人的文章，多搜幾篇1000字很好搞定，就看你想不想做了。
話已至此，得分~~

② 分類和聚類的區別及各自的常見演算法

1、分類和聚類的區別：
Classification (分類)，對於一個classifier，通常需要你告訴它「這個東西被分為某某類」這樣一些例子，理想情況下，一個 classifier 會從它得到的訓練集中進行「學習」，從而具備對未知數據進行分類的能力，這種提供訓練數據的過程通常叫做supervised learning (監督學習)，
Clustering (聚類)，簡單地說就是把相似的東西分到一組，聚類的時候，我們並不關心某一類是什麼，我們需要實現的目標只是把相似的東西聚到一起。因此，一個聚類演算法通常只需要知道如何計算相似度就可以開始工作了，因此 clustering 通常並不需要使用訓練數據進行學習，這在Machine Learning中被稱作unsupervised learning (無監督學習).
2、常見的分類與聚類演算法
所謂分類，簡單來說，就是根據文本的特徵或屬性，劃分到已有的類別中。如在自然語言處理NLP中，我們經常提到的文本分類便就是一個分類問題，一般的模式分類方法都可用於文本分類研究。常用的分類演算法包括：決策樹分類法，樸素貝葉斯分類演算法(native Bayesian classifier)、基於支持向量機(SVM)的分類器，神經網路法，k-最近鄰法(k-nearestneighbor，kNN)，模糊分類法等等。
分類作為一種監督學習方法，要求必須事先明確知道各個類別的信息，並且斷言所有待分類項都有一個類別與之對應。但是很多時候上述條件得不到滿足，尤其是在處理海量數據的時候，如果通過預處理使得數據滿足分類演算法的要求，則代價非常大，這時候可以考慮使用聚類演算法。
而K均值(K-mensclustering)聚類則是最典型的聚類演算法(當然，除此之外，還有很多諸如屬於劃分法K中心點（K-MEDOIDS）演算法、CLARANS演算法；屬於層次法的BIRCH演算法、CURE演算法、CHAMELEON演算法等；基於密度的方法：DBSCAN演算法、OPTICS演算法、DENCLUE演算法等；基於網格的方法：STING演算法、CLIQUE演算法、WAVE-CLUSTER演算法；基於模型的方法)。

③ 演算法研究現狀

Farmer以及Deutsch和Journel雖然在1992年就提出了多點地質統計學方法,但其主要是通過在模擬退火中加入多點統計目標函數,然後對模擬圖像進行反復迭代達到與輸入統計參數匹配。該演算法受到數據樣板大小、模擬類型值多少的影響,此外迭代收斂也是一個不可避免的問題。受計算機性能以及演算法的雙重影響,模擬速度極其緩慢。因此對該方法的應用報道很少。1993年,Guardiano et al.提出了一種非迭代演算法。它並不通過變差函數及克里金建立條件概率分布,而是直接利用數據樣板掃描訓練圖像,並根據數據樣板掃描獲得的不同數據事件出現頻率,代替數據事件的多點統計概率。即對於每一個未取樣點,通過局部條件數據構成的數據事件,掃描訓練圖像推斷局部數據事件聯合未知點的條件概率(cpdf)。該方法屬於序貫模擬的范疇,但由於每次條件概率的推斷都需要重復掃描訓練圖像,對計算機性能要求相當高,因而該方法也一直停留在實驗室階段。

多點地質統計學得到快速發展,是源於搜索樹概念的提出,即一種存儲數據事件概率的數據結構。Strebelle(2000)對Guardiano et al.的演算法進行了改進,提出將掃描訓練圖像獲得的多點概率保存在「搜索樹」里,隨後的模擬採用序貫模擬的思路。在每模擬一個未知節點時,條件概率直接從「搜索樹」里讀取,大大縮短了運算機時,使得多點統計學儲層建模真正意義上的推廣成為可能。Strebelle將此演算法命名為Snesim(Singlenormal equation simulation)。Snesim演算法推出後,立刻受到建模界的關注,成為近幾年儲層建模熱點。通過實際研究區建模,有些學者指出Snesim尚存在一些缺陷,表現在以下幾個方面:

1)訓練圖像的平穩性問題。如何將實際儲層中的大量非平穩信息表現為訓練圖像並能應用多點統計方法進行建模;

2)集成軟數據(如地震)及評估訓練圖像或軟數據的權重問題,尤其是它們在某種程度上不一致時;

3)儲層形態合理再現問題。在現有演算法中,當數據事件稀少時,往往通過去除最遠條件節點方法來獲得可靠的數據事件,而這種處理方法往往會導致儲層構型再現失敗;此外,訓練圖像過小將導致目標不連續,影響建模真實性;而訓練圖像過大則導致運行機時大,Snesim的實施存在困難;

4)多重網格搜索問題。兩點統計學的多重網格搜索方法,不能改變粗網格模擬值,而條件數據重新分配具有相當大的誤差,導致實際地質結構特徵再現效果較差;

5)由於多點地質統計學仍然是基於像元的演算法,所以只能在一定程度上重現目標的形狀,對於更復雜的如尖角或者U型目標的應用則效果較差。

對於Snesim存在的問題,不同學者通過研究提出了各自的解決方案或建議。如非平穩性問題,Caers(2002)就採取類似於變差函數套合方式,通過伸縮和旋轉變換,將非平穩的地質模式變化為平穩的地質模式,隨後採用Snesim進行建模。再如數據樣板再現,Liu(2003)就通過賦予不同節點不同權重,在數據事件稀少時,舍棄權重最小數據點以獲得可靠的數據事件,而不是Snesim中去除最遠條件節點的方式;Stien(2007)則允許刪除條件數據點的值,而不是把它從條件數據集中移去。當所有節點被模擬後,再對那些被刪掉值的點重新模擬。Suzuki(2007)提出了一種新的方法,即實時後處理方法(PRTT),其主要思想是在某一點上如果條件化失敗,不是去掉一些條件數據縮小數據模板,而是返回到上一步,對前面模擬的數據進行修改,以達到數據事件合理化。在儲層屬性及數據事件多時,Arpat(2003)、Zhang(2003)等提出聚類的思想對相似數據事件進行歸類,從而減少運行機時及不合理數據事件的出現概率。

儲層建模是對地下沉積儲層地質模式的再現。考慮到儲層建模過程,實質上是對地下儲層特徵沉積模式的重建過程。如果將各種地質模式看成是一幅圖像的構成單元,對儲層預測也就是圖像的重建過程。基於此思想,在2003年Stanford油藏預測中心舉行的會議上,Arpat提出了Simpat(Simulation with pattenrs)多點地質統計學隨機建模方法,即通過識別不同的地質模式,採用相似性判斷方法,在建模時再現這些地質模式。Simpat模擬流程採用的也是序貫模擬的思路。由於是對地質模式處理,而地質模式是通過空間多個點構成的數據事件反映的,因此,在模擬實現時以整個數據事件賦值或者數據事件的子集取代了單個模擬網格節點的賦值。也就是說,在模擬過程中,在對某個未知值的預測過程中,除了模擬節點處賦值外,用來預測節點處值的條件數據的值也會有變化。Arpat通過這種數據事件整體賦值,實現儲層地質模式再現。在數據事件選擇上,Arpat擯棄了傳統的概率推斷、蒙特卡羅抽樣的隨機建模方法,而是借鑒計算機視覺及數字圖像重建領域的知識,利用數據事件的相似性對數據事件進行選擇。Arpat對此方法進行了較詳細的論證,表明此方法能夠較好再現儲層結構特徵。在此基礎上,基於距離相似度的多點地質統計學(distance-based multiple point geostatistics)開始得到研究和發展(Suzuki et al.,2008;Scheidt et al.,2008;Honarkhah et al.,2010)。與傳統基於統計抽樣的模擬不同,基於距離相似度的方法直接計算數據事件的相似性,並用最相似的數據進行整體替換。

基於統計抽樣以及儲層模式分類的考慮,Zhang(2006)提出了Fitlersim(Filter-Based simulation)方法。他認為在訓練圖像中眾多儲層模式可以由幾個濾波函數進行描述,由濾波函數獲得儲層模式的統計得分,在此基礎上,進行儲層模式的聚類,達到降低儲層維數、提高運算效率的目的。此外,在聚類過程中考慮相似的儲層模式出現的頻率,使得儲層預測具有統計學的意義。Yin(2009)則從目標骨架提取出發,約束多點統計模式選擇,提出了基於儲層骨架的多點地質統計學方法。

④ 什麼是演算法演算法有哪些分類

分類演算法是在數學和計算機科學之中，演算法為一個計算的具體步驟，常用於計算、數據處理和自動推理。

精確而言，演算法是一個表示為有限長列表的有效方法。演算法應包含清晰定義的指令用於計算函數，演算法分類可以根據演算法設計原理、演算法的具體應用和其他一些特性進行分類。

具體意義：

如果一個演算法有缺陷，或不適合於某個問題，執行這個演算法將不會解決這個問題。不同的演算法可能用不同的時間、空間或效率來完成同樣的任務。一個演算法的優劣可以用空間復雜度與時間復雜度來衡量。

演算法中的指令描述的是一個計算，當其運行時能從一個初始狀態和（可能為空的）初始輸入開始，經過一系列有限而清晰定義的狀態，最終產生輸出並停止於一個終態。一個狀態到另一個狀態的轉移不一定是確定的。隨機化演算法在內的一些演算法，包含了一些隨機輸入。

⑤ 基於優化類的分類方法與基於深度學習分類方法的異同

優化的類中心分類演算法：
在類中心文本分類演算法中，類別的中心向量是由該類別文本特徵向量的簡單算術平均得到。在訓練集中，就分類而言，文檔一般比較分散，所以在空間上，有些分類與其它類就會有重登的區域，如果直接用這些文檔來計算各個類別的中心向量，就會出現模型偏差，因此不能達到理想的分類結果。研究一種優化的類中心分類演算法，以修正這種模型偏差。即用當前的中心向量對訓練集進行分類，然後用訓練錯誤文檔來更新中心向量，並假設文檔集中的每篇文檔都只屬於個類別。它的中心思想為在進行的每一次迭代過程中用規范化中心向量對訓練文本進行分類，其日的是為了找出所有訓練錯誤文檔。並對它進行歸類。但因為文檔分散原因的影響，不少文檔的分類弄錯，可以適當增加中心向量中這些文檔特徵項的權重，相反，應該減少中心向量中misin-of 的各文檔特徵權重大的特徵項的權重。利用這些分類錯誤文檔，見新類中心向量，並規范化，符到迭代後的規范化中心向量。

基於深度學習場景分類演算法：
（1） 基於對象的場景分類：
這種分類方法以對象為識別單位，根據場景中出現的特定對象來區分不同的場景；基於視覺的場景分類方法大部分都是以對象為單位的，也就是說，通過識別一些有代表性的對象來確定自然界的位置。典型的基於對象的場景分類方法有以下的中間步驟：
特徵提取、重組和對象識別。
缺點：底層的錯誤會隨著處理的深入而被放大。
（2） 基於區域的場景分類：
首先通過目標候選候選區域選擇演算法，生成一系列候選目標區域
（3） 基於上下文的場景分類：
這類方法不同於前面兩種演算法，而將場景圖像看作全局對象而非圖像中的某一對象或細節，
這樣可以降低局部雜訊對場景分類的影響。
將輸入圖片作為一個特徵，並提取可以概括圖像統計或語義的低維特徵。

⑥ 數據挖掘與生活:演算法分類和應用

數據挖掘與生活:演算法分類和應用
相對於武漢，北京的秋來的真是早，九月初的傍晚，就能夠感覺到絲絲絲絲絲絲的涼意。
最近兩件事挺有感覺的。
看某發布會，設計師李劍葉的話挺讓人感動的。「**的設計是內斂和剋制的...。希望設計成為一種，可以被忽略的存在感」。
其次，有感於不斷跳Tone的婦科聖手，馮唐，「有追求、敢放棄」是他的標簽。
「如何分辨出垃圾郵件」、「如何判斷一筆交易是否屬於欺詐」、「如何判斷紅酒的品質和檔次」、「掃描王是如何做到文字識別的」、「如何判斷佚名的著作是否出自某位名家之手」、「如何判斷一個細胞是否屬於腫瘤細胞」等等，這些問題似乎都很專業，都不太好回答。但是，如果了解一點點數據挖掘（Data Mining）的知識，你，或許會有柳暗花明的感覺。
的確，數據挖掘無處不在。它和生活密不可分，就像空氣一樣，彌漫在你的周圍。但是，很多時候，你並不能意識到它。因此，它是陌生的，也是熟悉的。
本文，主要想簡單介紹下數據挖掘中的演算法，以及它包含的類型。然後，通過現實中觸手可及的、活生生的案例，去詮釋它的真實存在。
一、數據挖掘的演算法類型

一般來說，數據挖掘的演算法包含四種類型，即分類、預測、聚類、關聯。前兩種屬於有監督學習，後兩種屬於無監督學習，屬於描述性的模式識別和發現。
（一）有監督學習
有監督的學習，即存在目標變數，需要探索特徵變數和目標變數之間的關系，在目標變數的監督下學習和優化演算法。例如，信用評分模型就是典型的有監督學習，目標變數為「是否違約」。演算法的目的在於研究特徵變數（人口統計、資產屬性等）和目標變數之間的關系。
（1）分類演算法
分類演算法和預測演算法的最大區別在於，前者的目標變數是分類離散型（例如，是否逾期、是否腫瘤細胞、是否垃圾郵件等），後者的目標變數是連續型。一般而言，具體的分類演算法包括，邏輯回歸、決策樹、KNN、貝葉斯判別、SVM、隨機森林、神經網路等。
（2）預測演算法
預測類演算法，其目標變數一般是連續型變數。常見的演算法，包括線性回歸、回歸樹、神經網路、SVM等。
（二）無監督學習
無監督學習，即不存在目標變數，基於數據本身，去識別變數之間內在的模式和特徵。例如關聯分析，通過數據發現項目A和項目B之間的關聯性。例如聚類分析，通過距離，將所有樣本劃分為幾個穩定可區分的群體。這些都是在沒有目標變數監督下的模式識別和分析。
（1）聚類分析
聚類的目的就是實現對樣本的細分，使得同組內的樣本特徵較為相似，不同組的樣本特徵差異較大。常見的聚類演算法包括kmeans、系譜聚類、密度聚類等。
（2）關聯分析
關聯分析的目的在於，找出項目（item）之間內在的聯系。常常是指購物籃分析，即消費者常常會同時購買哪些產品（例如游泳褲、防曬霜），從而有助於商家的捆綁銷售。
二、基於數據挖掘的案例和應用
上文所提到的四種演算法類型（分類、預測、聚類、關聯），是比較傳統和常見的。還有其他一些比較有趣的演算法分類和應用場景，例如協同過濾、異常值分析、社會網路、文本分析等。下面，想針對不同的演算法類型，具體的介紹下數據挖掘在日常生活中真實的存在。下面是能想到的、幾個比較有趣的、和生活緊密關聯的例子。

（一）基於分類模型的案例
這裡面主要想介紹兩個案例，一個是垃圾郵件的分類和判斷，另外一個是在生物醫葯領域的應用，即腫瘤細胞的判斷和分辨。
（1）垃圾郵件的判別
郵箱系統如何分辨一封Email是否屬於垃圾郵件？這應該屬於文本挖掘的范疇，通常會採用樸素貝葉斯的方法進行判別。它的主要原理是，根據郵件正文中的單詞，是否經常出現在垃圾郵件中，進行判斷。例如，如果一份郵件的正文中包含「報銷」、「發票」、「促銷」等詞彙時，該郵件被判定為垃圾郵件的概率將會比較大。
一般來說，判斷郵件是否屬於垃圾郵件，應該包含以下幾個步驟。第一，把郵件正文拆解成單片語合，假設某篇郵件包含100個單詞。第二，根據貝葉斯條件概率，計算一封已經出現了這100個單詞的郵件，屬於垃圾郵件的概率和正常郵件的概率。如果結果表明，屬於垃圾郵件的概率大於正常郵件的概率。那麼該郵件就會被劃為垃圾郵件。
（2）醫學上的腫瘤判斷
如何判斷細胞是否屬於腫瘤細胞呢？腫瘤細胞和普通細胞，有差別。但是，需要非常有經驗的醫生，通過病理切片才能判斷。如果通過機器學習的方式，使得系統自動識別出腫瘤細胞。此時的效率，將會得到飛速的提升。並且，通過主觀（醫生）+客觀（模型）的方式識別腫瘤細胞，結果交叉驗證，結論可能更加靠譜。
如何操作？通過分類模型識別。簡言之，包含兩個步驟。首先，通過一系列指標刻畫細胞特徵，例如細胞的半徑、質地、周長、面積、光滑度、對稱性、凹凸性等等，構成細胞特徵的數據。其次，在細胞特徵寬表的基礎上，通過搭建分類模型進行腫瘤細胞的判斷。
（二）基於預測模型的案例
這裡面主要想介紹兩個案例。即通過化學特性判斷和預測紅酒的品質。另外一個是，通過搜索引擎來預測和判斷股價的波動和趨勢。
（1）紅酒品質的判斷
如何評鑒紅酒？有經驗的人會說，紅酒最重要的是口感。而口感的好壞，受很多因素的影響，例如年份、產地、氣候、釀造的工藝等等。但是，統計學家並沒有時間去品嘗各種各樣的紅酒，他們覺得通過一些化學屬性特徵就能夠很好地判斷紅酒的品質了。並且，現在很多釀酒企業其實也都這么幹了，通過監測紅酒中化學成分的含量，從而控制紅酒的品質和口感。
那麼，如何判斷鑒紅酒的品質呢？第一步，收集很多紅酒樣本，整理檢測他們的化學特性，例如酸性、含糖量、氯化物含量、硫含量、酒精度、PH值、密度等等。第二步，通過分類回歸樹模型進行預測和判斷紅酒的品質和等級。
（2）搜索引擎的搜索量和股價波動
一隻南美洲熱帶雨林中的蝴蝶，偶爾扇動了幾下翅膀，可以在兩周以後，引起美國德克薩斯州的一場龍卷風。你在互聯網上的搜索是否會影響公司股價的波動？
很早之前，就已經有文獻證明，互聯網關鍵詞的搜索量（例如流感）會比疾控中心提前1到2周預測出某地區流感的爆發。
同樣，現在也有些學者發現了這樣一種現象，即公司在互聯網中搜索量的變化，會顯著影響公司股價的波動和趨勢，即所謂的投資者注意力理論。該理論認為，公司在搜索引擎中的搜索量，代表了該股票被投資者關注的程度。因此，當一隻股票的搜索頻數增加時，說明投資者對該股票的關注度提升，從而使得該股票更容易被個人投資者購買，進一步地導致股票價格上升，帶來正向的股票收益。這是已經得到無數論文驗證了的。
（三）基於關聯分析的案例：沃爾瑪的啤酒尿布
啤酒尿布是一個非常非常古老陳舊的故事。故事是這樣的，沃爾瑪發現一個非常有趣的現象，即把尿布與啤酒這兩種風馬牛不相及的商品擺在一起，能夠大幅增加兩者的銷量。原因在於，美國的婦女通常在家照顧孩子，所以，她們常常會囑咐丈夫在下班回家的路上為孩子買尿布，而丈夫在買尿布的同時又會順手購買自己愛喝的啤酒。沃爾瑪從數據中發現了這種關聯性，因此，將這兩種商品並置，從而大大提高了關聯銷售。
啤酒尿布主要講的是產品之間的關聯性，如果大量的數據表明，消費者購買A商品的同時，也會順帶著購買B產品。那麼A和B之間存在關聯性。在超市中，常常會看到兩個商品的捆綁銷售，很有可能就是關聯分析的結果。
（四）基於聚類分析的案例：零售客戶細分
對客戶的細分，還是比較常見的。細分的功能，在於能夠有效的劃分出客戶群體，使得群體內部成員具有相似性，但是群體之間存在差異性。其目的在於識別不同的客戶群體，然後針對不同的客戶群體，精準地進行產品設計和推送，從而節約營銷成本，提高營銷效率。
例如，針對商業銀行中的零售客戶進行細分，基於零售客戶的特徵變數（人口特徵、資產特徵、負債特徵、結算特徵），計算客戶之間的距離。然後，按照距離的遠近，把相似的客戶聚集為一類，從而有效的細分客戶。將全體客戶劃分為諸如，理財偏好者、基金偏好者、活期偏好者、國債偏好者、風險均衡者、渠道偏好者等。
（五）基於異常值分析的案例：支付中的交易欺詐偵測
採用支付寶支付時，或者刷信用卡支付時，系統會實時判斷這筆刷卡行為是否屬於盜刷。通過判斷刷卡的時間、地點、商戶名稱、金額、頻率等要素進行判斷。這裡面基本的原理就是尋找異常值。如果您的刷卡被判定為異常，這筆交易可能會被終止。
異常值的判斷，應該是基於一個欺詐規則庫的。可能包含兩類規則，即事件類規則和模型類規則。第一，事件類規則，例如刷卡的時間是否異常（凌晨刷卡）、刷卡的地點是否異常（非經常所在地刷卡）、刷卡的商戶是否異常（被列入黑名單的套現商戶）、刷卡金額是否異常（是否偏離正常均值的三倍標准差）、刷卡頻次是否異常（高頻密集刷卡）。第二，模型類規則，則是通過演算法判定交易是否屬於欺詐。一般通過支付數據、賣家數據、結算數據，構建模型進行分類問題的判斷。
（六）基於協同過濾的案例：電商猜你喜歡和推薦引擎
電商中的猜你喜歡，應該是大家最為熟悉的。在京東商城或者亞馬遜購物，總會有「猜你喜歡」、「根據您的瀏覽歷史記錄精心為您推薦」、「購買此商品的顧客同時也購買了**商品」、「瀏覽了該商品的顧客最終購買了**商品」，這些都是推薦引擎運算的結果。
這裡面，確實很喜歡亞馬遜的推薦，通過「購買該商品的人同時購買了**商品」，常常會發現一些質量比較高、較為受認可的書。
一般來說，電商的「猜你喜歡」（即推薦引擎）都是在協同過濾演算法（Collaborative Filter）的基礎上，搭建一套符合自身特點的規則庫。即該演算法會同時考慮其他顧客的選擇和行為，在此基礎上搭建產品相似性矩陣和用戶相似性矩陣。基於此，找出最相似的顧客或最關聯的產品，從而完成產品的推薦。
（七）基於社會網路分析的案例：電信中的種子客戶
種子客戶和社會網路，最早出現在電信領域的研究。即，通過人們的通話記錄，就可以勾勒出人們的關系網路。電信領域的網路，一般會分析客戶的影響力和客戶流失、產品擴散的關系。
基於通話記錄，可以構建客戶影響力指標體系。採用的指標，大概包括如下，一度人脈、二度人脈、三度人脈、平均通話頻次、平均通話量等。基於社會影響力，分析的結果表明，高影響力客戶的流失會導致關聯客戶的流失。其次，在產品的擴散上，選擇高影響力客戶作為傳播的起點，很容易推動新套餐的擴散和滲透。
此外，社會網路在銀行（擔保網路）、保險（團伙欺詐）、互聯網（社交互動）中也都有很多的應用和案例。
（八）基於文本分析的案例
這裡面主要想介紹兩個案例。一個是類似「掃描王」的APP，直接把紙質文檔掃描成電子文檔。相信很多人都用過，這里准備簡單介紹下原理。另外一個是，江湖上總是傳言紅樓夢的前八十回和後四十回，好像並非都是出自曹雪芹之手，這裡面准備從統計的角度聊聊。
（1）字元識別：掃描王APP
手機拍照時會自動識別人臉，還有一些APP，例如掃描王，可以掃描書本，然後把掃描的內容自動轉化為word。這些屬於圖像識別和字元識別（Optical Character Recognition）。圖像識別比較復雜，字元識別理解起來比較容易些。
查找了一些資料，字元識別的大概原理如下，以字元S為例。第一，把字元圖像縮小到標准像素尺寸，例如12*16。注意，圖像是由像素構成，字元圖像主要包括黑、白兩種像素。
第二，提取字元的特徵向量。如何提取字元的特徵，採用二維直方圖投影。就是把字元（12*16的像素圖）往水平方向和垂直方向上投影。水平方向有12個維度，垂直方向有16個維度。這樣分別計算水平方向上各個像素行中黑色像素的累計數量、垂直方向各個像素列上的黑色像素的累計數量。從而得到水平方向12個維度的特徵向量取值，垂直方向上16個維度的特徵向量取值。這樣就構成了包含28個維度的字元特徵向量。
第三，基於前面的字元特徵向量，通過神經網路學習，從而識別字元和有效分類。
（2）文學著作與統計：紅樓夢歸屬
這是非常著名的一個爭論，懸而未決。對於紅樓夢的作者，通常認為前80回合是曹雪芹所著，後四十回合為高鶚所寫。其實主要問題，就是想確定，前80回合和後40回合是否在遣詞造句方面存在顯著差異。
這事讓一群統計學家比較興奮了。有些學者通過統計名詞、動詞、形容詞、副詞、虛詞出現的頻次，以及不同詞性之間的相關系做判斷。有些學者通過虛詞（例如之、其、或、亦、了、的、不、把、別、好），判斷前後文風的差異。有些學者通過場景（花卉、樹木、飲食、醫葯與詩詞）頻次的差異，來做統計判斷。總而言之，主要通過一些指標量化，然後比較指標之間是否存在顯著差異，藉此進行寫作風格的判斷。

⑦ 演算法有哪些分類

演算法分類編輯演算法可大致分為：

基本演算法、數據結構的演算法、數論與代數演算法、計算幾何的演算法、圖論的演算法、動態規劃以及數值分析、加密演算法、排序演算法、檢索演算法、隨機化演算法、並行演算法，厄米變形模型，隨機森林演算法。