1、“.....因此质差样本存在很大的主观性和性。论文中通过对质差样本的数据表现进行计算分析，能够过滤质差样本中数据表现趋势与标签明显不符合的训练样本，避免监督学习算法对大量质差样本进基于监督学习质差样本的自动修正方法论文原稿质差样本比较多，而且维度较广，本实验只取了部分案例数据，如表所示目前质差样本有个根因，分别为，通过人工对质差样本进行主要根因标记，工作人员根据自己的能力和经验......”。

2、“.....避免监督学习算法对大量质差样本进行训练，提高监督学习的算法准确率。关键词监督学习样本自动修正引言随着人工智能的兴起，以及数据挖掘不断发展和应用，目前移动网络优化中心指标进行分析，给出最有可能的小类根因，并打上相应标签，然后提供给监督学习概率神经网络作为训练样本。由于通过人工标记标签，在对质差主要根因判断时与工作人员的经验水平和能力相关，非常依赖于工作人员对小类根因熟悉程度，因此人工标记形成的质经过种算法的结果比较，本提案最终采用皮尔森相关系数作为样本之间轨迹相似度计算方法，然后存储每个样本的轨迹相似度值......”。

3、“.....训练样本离散点处理从第步计算质差小区样本矩阵向量的相似度之后，获取每个样本轨迹相似度值，然后对样本轨差本论文通过以上种常用轨迹相似度计算了主要根因是的个质差小区样本，把每个样本作为个向量，然后初步设定基准向量为，最后把每个样本向量分别与基准向量作轨迹相似度计算，分别得到表结果。从轨迹相似度计算结果可以看出，欧式距本轨迹相似度常用轨迹相似度计算方法欧式距离最常见的距离度量，衡量的是多维空间中各个点之间的绝对距离，又称之为欧几里得度量，它定义于欧几里得空间中，如点和之间的距离，因为计算是基于各维度特征的绝对数值......”。

4、“.....但是表现的不是太明显而皮尔森系数表现的最好，能够较明显的区分出样本和其他样本的差异性。应用模型准确率对比数据源情况目前应用数据取自分析平台，截止到日，质差小区问题记录为条，其中人工标记主要根因样本为条，问题的触发类型共有个维度，主本量，分别为两个变量的观测值和均值。描述的是两个变量间线性相关强弱的程度。的绝对值越大表明相关性越强，具体公式如下其中是数学期望，表示协方差本论文通过以上种常用轨迹相似度计算了主要根因是的个质差小区样本基于监督学习质差样本的自动修正方法论文原稿离的区分度最小......”。

5、“.....样本和其他样本有差异，但是表现的不是太明显而皮尔森系数表现的最好，能够较明显的区分出样本和其他样本的差异性。基于监督学习质差样本的自动修正方法论文原稿。数，是种线性相关系数，用来反映两个变量线性相关程度的统计量。相关系数用表示，其中为样本量，分别为两个变量的观测值和均值。描述的是两个变量间线性相关强弱的程度。的绝对值越大表明相关性越强，具体公式如下其中是数学期望，表示协方的绝对距离，又称之为欧几里得度量，它定义于欧几里得空间中，如点和之间的距离......”。

6、“.....所以欧氏度量需要保证各维度指标在相同的刻度级别，具体公式如下向量夹角余弦余弦相似度用向量空间中两个向量夹角的余弦值作为衡量两的刻度级别，具体公式如下向量夹角余弦余弦相似度用向量空间中两个向量夹角的余弦值作为衡量两个样本间的差异。相比距离度量，余弦相似度更加注重两个向量在方向上的差异，而不是距离或长度上，具体公式如下皮尔森相关系数皮爾森相关系数也称皮尔森积矩相关根因有，共个根因维度。列出前十的问题触发类型源数据，具体情况如表所示。样本自动修正后经过质差样本的自动修正方法处理后，共去除过滤了其中样本条记录......”。

7、“.....过滤样本占比为。见表。计算样，把每个样本作为个向量，然后初步设定基准向量为，最后把每个样本向量分别与基准向量作轨迹相似度计算，分别得到表结果。从轨迹相似度计算结果可以看出，欧式距离的区分度最小，基本不能反馈出样本的差异性向量夹角余弦表现稍微好点，样本和其他样本有差异个样本间的差异。相比距离度量，余弦相似度更加注重两个向量在方向上的差异，而不是距离或长度上，具体公式如下皮尔森相关系数皮爾森相关系数也称皮尔森积矩相关系数，是种线性相关系数，用来反映两个变量线性相关程度的统计量。相关系数用表示......”。

8、“.....获取每个样本轨迹相似度值，然后对样本轨迹相似度进行异样点离散点处理，如图所示。基于监督学习质差样本的自动修正方法论文原稿。计算样本轨迹相似度常用轨迹相似度计算方法欧式距离最常见的距离度量，衡量的是多维空间中各个点之间，按照个小类的指标进行分析，给出最有可能的小类根因，并打上相应标签，然后提供给监督学习概率神经网络作为训练样本。由于通过人工标记标签，在对质差主要根因判断时与工作人员的经验水平和能力相关，非常依赖于工作人员对小类根因熟悉程度，因此人工标记行训练......”。

9、“.....关键词监督学习样本自动修正引言随着人工智能的兴起，以及数据挖掘不断发展和应用，目前移动网络优化中心在质差的分析方向，引入了监督学习神经网络算法来进行主要根因定位，该方案能够将质差小区的根样本。训练样本矩阵化处理其中行表示质差样本根因维度，列表示样本数。本矩阵是通过对质差样本数据进行预处理后，进行矩阵转置，方便分析各个样本在根因维度的趋势表现情况。摘要目前基于监督学习的质差样本都是通过人工标记形成，由于工在质差的分析方向，引入了监督学习神经网络算法来进行主要根因定位，该方案能够将质差小区的根因进行矩阵化......”。