基于朴素贝叶斯增量学习算法的个体热舒适预测模型
摘要：目前通过机器学习建立个体热舒适模型需要在建模前获得大量数据，不符合实际应用场景，并且更新模型以适应个体热舒适偏好随季节等因素变化的成本太高。基于朴素贝叶斯算法，使用增量学习方法建立和更新了热舒适模型，修改了模型中的先验概率和后验概率。通过实验数据验证，该方法平均学习26组样本后，预测结果即可与个体实际热期望保持高度一致(Kappa系数为0.699 4)。并且相比已有的模型更新方法，本文提出的模型建立与更新方法节约了17%的时间成本和90%以上的空间成本，更加适合部署到计算与存储资源较少的轻量化智能终端。
关键词：个体热舒适模型机器学习增量学习朴素贝叶斯算法Kappa系数
尊敬的用户，本篇文章需要2元，点击支付交费后阅读
限时优惠福利：领取VIP会员
全年期刊、VIP视频免费!
全年期刊、VIP视频免费!
1002
0
0