Logistic Model Trees

Tree induction methods and linear models are popular techniques for supervised learning tasks, both for the prediction of nominal classes and numeric values. For predicting numeric quantities, there has been work on combining these two schemes into model trees, i.e. trees that contain linear regression functions at the leaves. In this paper, we present an algorithm that adapts this idea for classification problems, using logistic regression instead of linear regression. We use a stagewise fitting process to construct the logistic regression models that can select relevant attributes in the data in a natural way, and show how this approach can be used to build the logistic regression models at the leaves by incrementally refining those constructed at higher levels in the tree. We compare the performance of our algorithm to several other state-of-the-art learning schemes on 36 benchmark UCI datasets, and show that it produces accurate and compact classifiers.Editor Johannes FürnkranzThis is an extended version of a paper that appeared in the Proceedings of the 14th European Conference on Machine Learning (Landwehr et al., 2003).     

基于密度估计的逻辑回归模型

介绍了一种基于密度的逻辑回归（Density-based logistic regression,DLR）分类模型以解决逻辑回归中非线性分类的问题. 其主要思想是根据Nadarays-Watson密度估计将训练数据映射到特定的特征空间,然后组建优化模型优化特征权重以及Nadarays-Watson 密度估计算法的宽度. 其主要优点在于：它不仅优于标准的逻辑回归,而且优于基于径向基函数（Radial basis function,RBF）内核的核逻辑回归（Kernel logistic regression,KLR）. 特别是与核逻辑回归分析和支持向量机（Support vector machine,SVM）相比,该方法不仅达到更好的分类精度,而且有更好的时间效率. 该方法的另一个显著优点是,它可以很自然地扩展到数值类型和分类型混合的数据集中. 除此之外,该方法和逻辑回归（Logistic regression,LR）一样,有同样的模型可解释的优点,这恰恰是其他如核逻辑回归分析和支持向量机所不具备的.     

Logistic阻滞增长模型的计算机模拟

将Logistic阻滞增长模型的差分形式进行简化,对Logistic模型的简化差分形式进行迭代求解,做出了随固有增长率r的变化,序列狖yk狚收敛、2倍周期、4倍周期……直至一片混乱的图形。以参数b为横坐标、序列狖yk狚的收敛点为纵坐标,用MATLAB数学软件模拟展示了这一简单差分方程从收敛、分叉、2n倍周期收敛进入混沌现象的过程。     

线性正则化函数Logistic模型

函数型数据的模式识别问题广泛存在于医学、经济、金融、生物、气象等各个领域,探索更具泛化性能的分类器对准确挖掘函数型数据当中隐藏的知识至关重要.针对经典函数Logistic模型的泛化性能不高的问题,提出了线性正则化函数Logistic模型,该模型的生成通过求解一个优化问题实现.在该优化问题当中,前项是基于函数样例的似然函数构造的,用于控制函数样例的分类性能;后项是正则化项,用于控制模型的复杂性.同时,这2项进行了线性加权组合,这样,限制了正则化子的取值范围,方便给出一个经验最优参数,然后可在这一经验最优参数的指导下选出一个适当的函数主成分基个数下的Logistic模型用于函数型数据的分类.实验结果表明：选出的线性正则化函数Logistic模型的泛化性能优于经典的函数Logistic模型.     

Logistic Regression Trust–A Trust Model for Internet-of-Things Using Regression Analysis

Internet of Things (IoT) is a popular social network in which devices are virtually connected for communicating and sharing information. This is applied greatly in business enterprises and government sectors for delivering the services to their customers, clients and citizens. But, the interaction is successful only based on the trust that each device has on another. Thus trust is very much essential for a social network. As Internet of Things have access over sensitive information, it urges to many threats that lead data management to risk. This issue is addressed by trust management that help to take decision about trustworthiness of requestor and provider before communication and sharing. Several trust-based systems are existing for different domain using Dynamic weight method, Fuzzy classification, Bayes inference and very few Regression analysis for IoT. The proposed algorithm is based on Logistic Regression, which provide strong statistical background to trust prediction. To make our stand strong on regression support to trust, we have compared the performance with equivalent sound Bayes analysis using Beta distribution. The performance is studied in simulated IoT setup with Quality of Service (QoS) and Social parameters for the nodes. The proposed model performs better in terms of various metrics. An IoT connects heterogeneous devices such as tags and sensor devices for sharing of information and avail different application services. The most salient features of IoT system is to design it with scalability, extendibility, compatibility and resiliency against attack. The existing works finds a way to integrate direct and indirect trust to converge quickly and estimate the bias due to attacks in addition to the above features.     

Logistic函数方法拟合多时序NDVI数据的改进研究

单Logistic函数曲线拟合法是NDVI时间序列重建及物候遥感中关键物候期划分的重要方法之一。虽然该方法不需要设定阈值或经验系数、较适应于不同环境区域的物候遥感监测,但是在山区NDVI噪音较大的情形下,其拟合精度仍会受到较大影响。选取秦岭中部山区为研究区,在分析了多年NDVI时间序列数据特征基础上,利用山区NDVI数据序列最大值相对于最小值更为稳定的特性,对传统单Logistic模型求解方法进行改进,采用更为稳定的参数构建模型以提高NDVI时间序列重建的精度。基于秦岭样区MODIS NDVI多年遥感数据,分别在保持植被生长季特征能力和保留高质量原始真值程度两方面对原方法与改进方法的计算结果进行比较。研究表明改进的方法在上述两个方面都具有更好的效果。在植被指数噪音较大的山区,改进的方法对NDVI时间序列重建表现出更好的适用性,可为复杂的山区物候遥感相关研究提供参考。     

基于非线性Logistic模型的改进UDEED算法

针对UDEED算法中线性Logistic模型分类预测准确率较低的问题,基于泰勒展开式,提出一种多项式核的非线性Logistic模型改进算法。研究非线性Logistic模型的核函数参数估计方法,更新损失函数的计算规则,并利用梯度下降法求解改进UDEED模型,实现数据集的分类预测。实验结果表明,与UDEED算法相比,改进算法提高了分类预测的准确率。     

基于同态加密的多分类Logistic回归模型

随着计算能力的发展,机器学习得到了广泛的应用,数据的安全问题也成为一个重要问题.同态加密技术可以在不泄露明文信息的情况下,对密文进行运算并在解密后得到与在明文上执行相应运算一致的结果.因此,同态加密是一种可行的有潜力的数据安全外包解决方案.为了解决现实生活中出现的多分类问题,本文基于Cheon等提出的HEAAN同态加密方案,提出了一种能有效保护数据隐私的多分类Logistic回归模型,采用"一对其余"的拆解策略,通过训练多个分类器,将二分类Logistic回归模型推广到多分类.数据持有者可以将数据加密后发送给服务器,服务器使用多分类Logistic回归模型对加密数据进行训练,并将结果传回数据持有者,数据持有者解密结果后可以用来对多分类数据进行预测,整个过程中不会有隐私被泄露.本文通过对UCI的Dermatology和Iris数据集进行了实验,测试模型的性能.Dermatology数据集包含358条样本, 34个特征属性,分为6个类别,训练时间约为36.70分钟,准确率达到77.18%,与明文计算的准确率一致.实验验证了本文的模型在效率和准确率方面的可行性.     

基于Web Service技术的综合物流模型

对Web Service技术的基本特征进行了探讨,并应用Web Service和SOAP的开放特性,设计企业综合物流系统,解决了企业物流跨网络、跨平台数据通信以及系统间灵活集成的问题。     

城市车辆配送线路设计的模型与算法

文章建立了城市车辆配送的多旅行商问题(MTSP)模型,设计了一个新的遗传算法,用2Opt算子改进解的总距离,用贪心交叉算子提供变异功能,计算实例表明了该算法的有效性。     

Enrollment Management Model: Artificial Neural Networks versus Logistic Regression

This paper presents an enrollment management model by applying artificial neural network (ANN). The aim of the research, which has been presented in this paper, is to show that ANNs are more successful in predicting than the classical statistical method – regression analysis (logistic regression). Both predictive models, no matter whether they are based on ANNs or logistic regression, offer satisfactory predictive results, and they can offer support in the decision-making process. However, the model based on neural networks shows certain advantages. ANNs demand understanding of functional connection between independent and dependent variables in order to evaluate the model. Also, they adapt easily to related independent variables, without the appearance of the problem of multicollinearity. In contrast to logistic regression, neural networks can recognize the appearance of nonlinearity and interactions in input data, and they can react on time.     

棉花物流运输路径建模及仿真应用研究

分析我国棉花物流运输现状及问题,以降低运输成本为目标,综合考虑发货点、收货点、运输方式、油费、路桥费、运输时间等因素,建立棉花运输路径模型,运用前k条最短路径算法求解最优路径.     

Stability of the Logistic Population Model with Delayed Environmental Response

The population dynamics model , was considered. For this model with uniform distribution of delays and a _n = 0, nonnegativeness and convexity of the sequence a _k (0 k n) was shown to be the sufficient stability condition. Therefore, there is no need to constrain the reproduction rate and the mean delay .     

可的物流中心参观记

在第七届海鼎现代商业管理用户研讨会期间,记者随部分会议代表参观了上海可的便利店的物流中心,亲身感受可的高度自动化、信息化的物流管理是如何在其走向中国便利店第一品牌的道路上,奠定强大的基础设施支持的。     

植物病害I—S关系——logistic衍生模型的研究

以logistic模型为基础 ,以时间因子为媒介 ,推导出一个能准确描述植物病害I-S的logistic衍生模型。通过对油松落针病、花生锈病、烟草黄瓜花叶病和小麦赤霉病等多组I-S关系数据的实例验证与比较分析 ,显示出这一模型具有较强的数据拟合能力和广泛的适用性。Logistic衍生模型尚可应用于林木胸径与材积(D -V)关系、径与树高(D -H)关系以及生物量预估等项研究。此外 ,还提出一个具有普遍指导意义的通用模型     

基于Logistic模型和随机差分变异的正弦余弦算法

针对标准正弦余弦算法(Sine Cosine Algorithm,SCA)处理全局优化问题时存在收敛速度慢、易陷入局部最优和求解精度低的缺点,文中提出了一种基于非线性转换参数和随机差分变异策略的改进正弦余弦算法(LS-SCA)。首先,设计一种基于Logistic模型的非线性转换参数策略以平衡算法的全局搜索和局部开发能力;其次,引入随机差分变异策略以增强种群的多样性与避免算法陷入局部最优;最后,将非线性转换参数和随机差分变异策略进行融合。一方面,选取12个标准测试函数进行全局寻优的仿真实验。结果表明,与其他SCA类算法和最新智能算法相比,LS-SCA在收敛精度和收敛速度指标上均能达到较优的效果。其中,随机差分变异策略对LS-SCA全局寻优能力的提升尤为明显。另一方面,利用LS-SCA优化神经网络参数解决了两类经典分类问题。实验结果表明,与传统的BP算法和其他智能算法相比,基于LS-SCA的神经网络能达到较高的分类准确率。     

基于安全认证模型的物流信息管理系统的设计与实现

该文在分析基于Internet的物流信息系统需求的基础上,采用JavaTMEE体系架构和WebServieces技术,提出了一个基于安全认证的物流信息管理系统模型,设计并实现了物流信息管理系统。该系统已在成都市统计局得到应用,系统安全性得到了有效的保障,应用效果良好。     

L1+L2正则化逻辑斯蒂模型分类算法

提出一种L1+L2范数正则化逻辑斯蒂模型分类算法。该算法引入L2范数正则化,解决L1正则化逻辑斯蒂算法迭代过程奇异问题,通过引入样本向量的扩展和新的权值向量完成L1范数非平滑问题,最终使用共轭梯度方法求解经过转化的最优化问题。在各种实际数据集上的实验结果表明,该算法优于L2范数、L1范数和Lp范数正则化逻辑斯蒂模型,具有较好的特征选择和分类性能。     

一种物流云系统的架构方法

为实现物流领域云服务,满足物流产业相关企业对云服务个性化,快速开发和多样化应用的需求,在云计算机应用架构的原理基础上,根据现代物流企业对物流云服务的特点,提出了一种集底层软硬件管理平台、云服务应用环境平台、云服务开发平台等为一体的物流云PaaS平台架构.讨论和分析了该架构的设计原理和实施细节,为进一步搭建物流领域多样化的SaaS应用提供了快速开发、统一协调和调度的平台,进而满足用户“一站式”个性化服务需求.