一种基于半监督学习的地理加权回归方法

被引：10

作者：

赵阳阳 ^{[1
,2
]}

刘纪平 ^{[1
,2
]}

徐胜华 ^{[2
]}

张福浩 ^{[2
]}

杨毅 ^{[2
]}

机构：

[1] 辽宁工程技术大学测绘与地理科学学院

[2] 中国测绘科学研究院政府地理信息系统研究中心

来源：

测绘学报 | 2017年 / 46卷 / 01期

基金：

国家重点研发计划;

关键词：

地理加权回归; 半监督学习; SSLGWR; 人口分布;

D O I：

暂无

中图分类号：

P208 [测绘数据库与信息系统];

学科分类号：

070503 ; 081603 ; 0818 ; 081802 ;

摘要：

地理加权回归方法在小样本数据下回归分析精度往往不高。半监督学习是一种利用未标记样本参与训练的机器学习方法,可以有效地提升少量有标记样本的学习性能。基于此本文提出了一种基于半监督学习的地理加权回归方法,其核心思想是利用有标记样本建立回归模型来训练未标记样本,再选择置信度高的结果扩充有标记样本,不断训练,以提高回归性能。本文采用模拟数据和真实数据进行试验,以均方误差提升百分比作为性能评价指标,将SSLGWR与GWR、COREG对比分析。模拟数据试验中,SSLGWR在3种不同配置下性能分别提升了39.66%、11.92%和0.94%。真实数据试验中,SSLGWR在3种不同配置下性能分别提升了8.94%、3.36%和5.87%。SSLGWR结果均显著优于GWR和COGWR。试验证明,半监督学习方法能利用未标记数据提升地理加权回归模型的性能,特别是在有标记样本数量较少时作用显著。

引用

页码：123 / 129

页数：7

共 13 条

[1]

地理加权回归基本理论与应用研究.[D].覃文忠.同济大学.2007, 06

[2] A geographically and temporally weighted autoregressive model with application to housing prices [J].

Wu, Bo ;

Li, Rongrong ;

Huang, Bo .

INTERNATIONAL JOURNAL OF GEOGRAPHICAL INFORMATION SCIENCE, 2014, 28 (05) :1186-1204

[3]

Increasing the accuracy of nitrogen dioxide (NO 2 ) pollution mapping using geographically weighted regression (GWR) and geostatistics.[J].D.P. Robinson;C.D. Lloyd;J.M. McKinley.International Journal of Applied Earth Observations and Geoinformation.2013,

[4] Semi-supervised learning by disagreement [J].