【技术实现步骤摘要】
【国外来华专利技术】提升AI识别学习能力相关申请案的交叉引用本申请要求2018年10月15日提交的申请号为62/745,853、专利技术名称为“提升AI识别学习能力(BoostingAIIdentificationLearning)”的美国临时申请的优先权和权益，该在先申请通过引用并入本文。
本专利技术涉及机器学习，具体涉及针对测试错误进行训练的集成学习系统。
技术介绍
机器学习分类器对数据项进行处理以识别数据项中的特定元素(实体)。例如，音频分类器可以对音频数据项(如音频录制)进行处理以识别特定个人的语音模式，图像分类器可以对图像数据项的集合进行处理，以根据数据项是否包括特定元素(如特定人的脸部图像)对数据项进行分类。识别任务还可以根据更广泛的实体类别(例如，视频、图像或图像集合中的所有狗或所有动物)对数据项进行分类。使用训练数据对一些识别系统进行训练。然后，一旦系统受到训练，就使用测试数据集对系统进行测试并重新训练，直到测试数据集表明达到期望的性能水平。经过训练的分类系统可能会发生两种错误：错误识别和失败识别。
【技术保护点】
1.一种机器学习分类系统，其特征在于，包括：/n第一机器学习分类器，用于：接收多个数据项，每个数据项包括一个或多个元素；对每个数据项的每个元素进行分类以生成多个已分类数据项；/n第二机器学习分类器，与所述第一机器学习分类器耦合，用于：识别所述多个已分类数据项中的错误分类元素；对所述识别的错误分类元素中的每个元素进行重新分类以生成第一多个重新分类数据项；/n第一集成分类器，与所述第一机器学习分类器和所述第二机器学习分类器耦合，用于响应所述第一多个重新分类数据项，调整所述多个已分类数据项的所述元素的分类以生成第一集成分类数据项。/n
【技术特征摘要】
【国外来华专利技术】20181015 US 62/745,8531.一种机器学习分类系统，其特征在于，包括：
第一机器学习分类器，用于：接收多个数据项，每个数据项包括一个或多个元素；对每个数据项的每个元素进行分类以生成多个已分类数据项；
第二机器学习分类器，与所述第一机器学习分类器耦合，用于：识别所述多个已分类数据项中的错误分类元素；对所述识别的错误分类元素中的每个元素进行重新分类以生成第一多个重新分类数据项；
第一集成分类器，与所述第一机器学习分类器和所述第二机器学习分类器耦合，用于响应所述第一多个重新分类数据项，调整所述多个已分类数据项的所述元素的分类以生成第一集成分类数据项。
2.根据权利要求1所述的机器学习分类系统，其特征在于，还包括：
第三机器学习分类器，与所述第一机器学习分类器耦合，用于：识别所述已分类数据项中的未分类元素；对所述识别的未分类元素中的每个元素进行分类以生成第一多个新分类数据项；
其中，所述第一集成分类器用于响应所述第一多个新分类数据项和所述第一多个重新分类数据项，调整所述已分类数据项的所述元素的分类以生成所述第一集成分类数据项。
3.根据权利要求2所述的机器学习分类系统，其特征在于，所述第二机器学习分类器和所述第三机器学习分类器用于并行执行。
4.根据权利要求2或3所述的机器学习分类系统，其特征在于，当所述第一分类器和所述第二分类器针对所述多个数据项中的一个数据项中的元素生成不同的分类时，所述第一集成分类器用于根据所述第二分类器生成的所述分类改变所述数据项中的所述元素的分类，以生成所述第一集成分类数据项。
5.根据权利要求2至4中任一项所述的机器学习分类系统，其特征在于，当所述第三分类器针对未由所述第一分类器生成的数据项中的元素生成分类时，所述第一集成分类器用于将所述第三分类器生成的所述数据项中的所述已分类元素添加到所述第一分类器生成的所述已分类元素，以生成所述第一集成分类数据项。
6.根据权利要求1至5中任一项所述的机器学习分类系统，其特征在于，所述数据项为包括多个像素的图像，所述元素为所述图像中的像素组。
7.根据权利要求2至6中任一项所述的机器学习分类系统，其特征在于，
所述第一机器学习分类器包括使用第一组标记数据项训练的第一训练分类器；
所述第二机器学习分类器和所述第三机器学习分类器分别包括第二训练分类器和第三训练分类器，其中，根据所述第一训练分类器生成的第二组标记数据项的分类，基于不同于所述第一组标记数据项的所述第二组标记数据项训练所述第二训练分类器和所述第三训练分类器。
8.根据权利要求2至7中任一项所述的机器学习分类系统，其特征在于，还包括：
第四机器学习分类器，与所述集成分类器耦合，用于：识别所述第一集成分类数据项中的错误分类元素；对所述第一集成分类数据项中的所述错误分类元素进行重新分类以生成第二多个重新分类数据项；
第五机器学习分类器，与所述集成分类器耦合，用于：识别所述第一集成分类数据项中的未分类元素；对所述第一集成分类数据项中所述识别的未分类元素进行分类以生成第二多个新分类数据项；
第二集成分类器，与所述第一集成分类器、所述第四机器学习分类器以及所述第五机器学习分类器耦合，用于响应所述第二多个重新分类数据项和所述第二多个新分类数据项，改变所述多个第一集成分类数据项的所述元素的分类，以生成第二集成分类数据项。
9.根据权利要求8所述的机器学习分类系统，其特征在于，根据所述第一集成分类器生成的第三组标记数据项的分类，基于不同于所述第一组标记数据项和所述第二组标记数据项的所述第三组标记数据项训练所述第四机器学习分类器和所述第五机器学习分类器。
10.根据权利要求1至9中任一项所述的机器学习分类系统，其特征在于，所述第一机器学习分类器和所述第二机器学习分类器都选自由以下各项组成的组：支持向量分类器、随机森林分类器、决策树分类器、神经网络分类器、遗传分类器以及线性回归分类器。
11.一种用于对多个数据项进行分类的机器学习分类方法，每个数据项包括多个元素，其特征在于，所述方法包括：
第一机器学习分类器对所述多个数据项中的每个元素进行分类以生成多个已分类数据项；
第二机器学习分类器识别所述多个已分类数据项中的未分类元素，以生成第一多个未分类数据项；
所述第二机器学习分类器将所述第一多个未分类数据项中的每个所述未分类元素分类成所述多个类别中的至少一个类别，以生成第一多个新分类数据项；
响应所述第一多个新分类数据项，使用第一集成分类器调整所述已分类数据项以生成第一集成分类数据项。
12.根据权利要求11所述的方法，其特征在于，还包括：
第三机器学习分类器识别所述多个已分类数据项中的错误分类元素，以生成第一多个错误分类数据项；
所述第三机器学习分类器对所述第一多个错误分类数据项中的每个所述错误分类元素进行重新分类，以生成第一多个重新分类数据项；
响应所述第一多个新分类数据项和所述第一多个重新分类数据项，使用所述第一集成分类器调整所述已分类数据项，以生成所述第一集成分类数据项。
13.根据权利要求12所述的方法，其特征在于，还包括并行操作所述第二机器学习分类器和所述第三机器学习分类器。
14.根据权利要求12或13所述的方法，其特征在于，还包括：在所述使用所述第三机器学习分类器对所述第一多个错误分类数据项中的所述错误分类元素进行重新分类之前，处理所述第一多个错误分类数据项中的每个数据项，以改变所述第一多个错误分类数据项中的所述错误分类元素的相应表示。
15.根据权利要求12至14中任一项所述的方法，其特征在于，还包括：在使用所述第三机器学习分类器对所述第一多个错误分类数据项中的所述错误分类元素进行重新分类之前，向所述第一多个错误分类数据项添加附加数据项。
16.根据权利要求12至15中任一项所述的方法，其特征在于，还包括：在使用所述第二机器学习分类器对所述第一多个未分类数据项中的所述未分类元素进行分类之前，处理所述第一多个未分类数据项中的每个数据项，以改变所述第一多个未分类数据项中的所述未分类元素的相应表示。
17.根据权利要求12至14中任一项所述的方法，其特征在于，还包括：在使用所述第二机器学习分类器对所述第一多个未分类数据项中的所述未分类元素进行分类之前，向所述第一多个未分类数据项添加附加数据项。
18.根据权利要求14至17中任一项所述的方法，其特征在于，所述第一多个未分类数据项和所述第一多个错误分类数据项包括多个图像，每个图像包括多个像素；所述未分类元素和所述错误分类元素包括所述多个图像中的相应像素组。
19.根据权利要求18所述的方法，其特征在于，所述处理包括：对所述多个图像执行以下各项中的至少一种：图像旋转、图像对比度增强、图像色彩增强或图像边缘增强。
20.根据权利要求12至19中任一项所述的方法，其特征在于，还包括：
使用第一组标记数据项训练所述第一机器学习分类器；
根据所述第一训练分类器生成的第二组标记数据项的分类，使用不同于所述第一组标记数据项的所述第二组标记数据项训练所述第二机器学习分类器和所述第三机器训练分类器。
21.根据权利要求12至20中任一项所述的方法，其特征在于，还包括：
第四机器学习分类器识别所述第一集成分类数据项中的未分类元素；
所述第四机器学习分类器对所述第一集成分类数据项中所述识别的错误分类元素进行分类，以生成第二多个新分类数据项；
第五机器学习分类器识别所述第一集成分类数据项中的错误分类元素，以生成第二多个错误分类数据项；
对所述第二错误分类数据项中的所述错误分类元素进行重新分类，以生成第二多个重新分类数据项；
第二集成分类器响应所述第二多个新分类数据项和所述第二多个重新分类数据项，改变所述多个第一集成分类数据项的所述元素的分类，以生成第二集成分类数据项。
22.根据权利要求21所述的方法，其特征在于，包括：根据由所述第一集成分类器生成的第三组标记数据项的分类，使用不同于所述第一组标记数据项和所述第二组标记数据项的所述第三组标记数据项训...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。