资料下载
如何使用机器学习和多特征融合进行抑郁倾向识别方法的资料说明
分享资料个
近些年，抑郁倾向趋于年轻化和常态化，虽然相关研究已取得一定成果，但仍缺乏更为客观、准确的抑郁倾向识别方法，也缺乏从不同角度研究抑郁倾向，因此，提出将心理健康自查表和眼动追踪结合作为识别抑郁倾向的方法，并且创新地从多角度对抑郁倾向进行研究，即将眼动特征、记忆力特征、认知风格特征以及网络行为特征多种类型特征融合。为了处理复杂的特征关系，提出扫描过程来处理复杂的特征关系，并将扫描过程与堆叠法结合提出抑郁倾向识别模型一扫描堆叠模型。为了全面客观评价扫描堆疊模型的性能，对扫描过程和堆叠法的独立贡献进行了实验。实验结果显示扫描过程独立贡献为0. 03 ，堆叠法独立贡献为0.02，并且扫描堆叠模型与多种模型从参数R平方、均方误差、平均绝对误差进行比较，结果为扫描堆叠模型的预测效果较好。
抑郁倾向识别模型通常为单一机器学习模型，如支持向量机（ Support Vector Machine， SVM）、BP神经网络（ BackPropagation Neural Network， BPNN）等。分析SVM和BPNN发现两个模型互补，SVM优点之--是能够避免陷入局部极值，缺点为对缺失数据敏感等;BPNN的优点之一是对缺失数据不敏感，缺点为易陷人局部极值等。若将不同互补模型组合构建识别抑郁倾向的模型，有利于提高抑郁倾向识别方法的准确性和科学性。
声明：本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人，不代表电子发烧友网立场。文章及其配图仅供工程师学习之用，如有内容侵权或者其他违规问题，请联系本站处理。 举报投诉
- 相关下载
- 相关文章
