论文机器学习经典算法在无线设备故障预警用户投诉行为的应用，该文是关于算法类毕业论文模板范文与无线设备和机器学习和用户投诉类专升本毕业论文范文.
一、引言
随着LTE 网络大规模发展,无线设备故障日益增多,用户投诉的量也呈现增长的趋势.如果能根据故障特征,提前判断是否引起用户投诉,从而发出投诉预警,优先处理设备故障；就能更好地提供优质无线网络服务,做到用户导向、精准控制、智能运营.大数据和人工智能技术的发展为以上的假设带来了可能性[1].利用网络性能的大数据和用户投诉行数据的分析,结合当前机器学习技术的基本算法并采用开源的python 语言[2],本文开展一些基础探究.
二、机器学习简介
1、基本概念及分类.机器学习是利用计算机进行类似人类获得知识并运用知识的一种能力[1-2].机器学习根据处理的数据是否存在人为标注分为监督学习和无监督学习.监督学习是用先验的有标注的数据作为最终学习目标.无监督学习是自主式学习,没有“参”,由计算机完成标注或者提供标注帮助.监督学习主要应用案例场景有回归和分类,而无监督学习则是异常检测、降维及聚类.
2、 机器学习的算法.机器学习根据有监督和无监督的机器学习分类,有10 大经典算法[2-3]：有监督学习包括决策树、朴素贝叶斯、最小二乘法、逻辑回归、支持向量机（SVM）、集成学习等6 大算法；无监督学习包括聚类、主成分分析（PCA）、SVD 矩阵分解及独立成分分析（ICA）等4 大算法.本文讨论的问题属有监督学习,选取逻辑回归、朴素贝叶斯、决策树及SVM 向量机等4 种模型算法进行对比分析.
三、4 种经典机器学习算法
逻辑回归（Logistic Regression）是广义的线性回归分析模型,实际是一个二分模型,根据不同的特征和权重对样本进行概率分类.用log 函数计算样本某一类的概率.最终选取概率的类作为该样本的所属类[3].朴素贝叶斯算法（Na?veBayesian）有一个基本假定：给定目标值时,属性/ 特征之间相互独立,互不影响.它最基本公式,P(A|B) 是后验概率,P（A|B）是似然,P（A）为先验概率,P（B）是我们要预测的值[3].决策树是一种树形结构,通过由上而下的一系列规则对数据进行分类,并最终得到正确答案.每一次分类都是采用YES 或者NO 的形式判断,一次分类就是一次分支,直到所有选择进行完毕.支持向量机SVM 也是一种二分类算法,它可以在N 维空间中找到一个（N-1）维的超平面,这个超平面可以把N 维空间内的数据点分为2 类.
四、算法训练及测试对比
1、选定特征值.以一定时间内的告警清单及用户投诉清单作为分析的数据源.这里告警清单是特征数据X,用户投诉行为是结果数据Y.通过深入分析,抽取5 个参数作为主要特征值,分别为网元名称、告警类型、设备类型、归属网格及告警时长.本次抽取数据有4372 个告警次,其中264 单投诉与设备告警关联.2、划分训练集和测试集.机器学习必须包含训练和测试两个过程,因此对收集的数据划分为训练集和测试集.训练集为了让算法充分拟合,并且形成分类判定规律；测试集测试在形成的拟合算法下对比测试的结果和实际的结果,从而得到准确率.在准确率较低的情况,返回优化特征值、模型及算法参数,直至得到满意准确率.本文使用的数据切割函数是Sklearn（Scikit-learn）内置的专业函数train_test_split[2] 函数.3、数据测试结果对比.通过对开源内置[2] 的逻辑回归算法函数zai.mx_log()、朴素贝叶斯算法函数zai.mx_bayes()、决策树算法函数zai.mx_dtree()及SVM 向量机算法函数zai.mx_svm() 进行不断的数据训练和参数调整的循环,最终输出四种算法测试结果及计算耗时.结果标明决策树算法的测试概率最高(100%) 且耗时最短(0.02s).决策树算法是本次数据测试的最佳结果.朴素贝叶斯算法准确率最低,这是因为文中所选的特征值并非完全独立.SVM 向量机耗时最长,这与算法本身有关,SVM 是借助二次规划来求解支持向量,而求解二次规划将涉及m 阶矩阵的计算（m 为样本的个数）,当m 数目很大时该矩阵的存储和计算将耗费大量的机器内存和运算时间[3].逻辑回归算法表现中等,测试概率较高,但耗时不算低.
总结：利用机器学习的4 大经典算法,结合无线设备故障和用户投诉大数据,得出4 种算法的测试准确率和计算耗时.结果表明决策树算法准确率最高,且耗时最短.接下来进一步采用更长周期的大数据、优化特征值及优化模型和算法,在一个更大的数据体系中确定算法,最终将该算法运用到现网去精准定位可能引起投诉的设备故障并进行预处理.
总而言之,上述文章是一篇适合无线设备和机器学习和用户投诉论文写作的大学硕士及关于算法本科毕业论文，相关算法开题报告范文和学术职称论文参考文献.
参考文献：
1、 水电站电气设备故障分析 【摘要】现阶段,我国的水利水电行业有了很大进展,水电站建设也越来越多 电气设备自身的运行的过程之中也因为内部与外部因素的影响,而导致诸多风险的出现 在电气设备故障的方面,要及时的运用行之有效的对策来予.
2、 机器学习 史与应用前景 摘 要 随着“人工智能”技术的发展,人们开始越来越多地研究计算机怎样模拟或实现人类的学习行为,来获取知识或技能 机器学习作为实现“人工智能”的一种方法,.
3、 机器学习抵御未来网络威胁 随着越来越多的企业拥抱数字化,保护企业自身的措施也必须演进,主动抵御安全风险,要比被动响应风险更加至关重要 在我们许多人的眼中,机器无需人类教授便能够自主学习是科幻小说或电影中的情节 而科幻电影给我们.
4、 数据入，智能出：机器学习管道不再神秘 作者 Serdar Yegulalp 编译 杨勇把机器学习看成是一个魔术黑箱是比较贴切的 进去的是数据；而出来的是预测 但是在这里没有什么魔法——只是数据和算法,以及通过算法处.
5、 机器学习证明了它在商业上的价值 作者 Bob Violino 编译 charles边缘上的人工智能机器学习将成为主流,早期采用者得到了商业利益机器学习热得不能再热了 机器学习作为一种人工智能,使得计算机能够学习执行任务,进行.
6、 光传输设备故障分析与日常维护 【摘要】 光传输系统作为电力工作重要的设备组成,容易受到外界环境的影响,一旦系统的某一部件发生故障,不仅会影响光信号传输的质量,有时甚至会对电力系统的安全运转造成不利影响 现代信号传输方式的转变,也使.