已經跟呼吸一樣重要的網路和手機論文書籍站
銘傳大學 資訊工程學系碩士班 李御璽所指導 羅元澤的 基於Adaboost的特徵選擇在提升分類演算法性能上之研究 （2021），提出ig演算法2022關鍵因素是什麼，來自於Adaboost、決策樹、集成學習、特徵選擇。
而第二篇論文國立臺北科技大學 工業工程與管理系 應國卿所指導 程詩涵的 強化式學習多候選清單反覆貪婪演算法 （2021），提出因為有 多候選清單、反覆貪婪演算法、強化式學習的重點而找出了 ig演算法2022的解答。
基於Adaboost的特徵選擇在提升分類演算法性能上之研究
為了解決ig演算法2022 的問題，作者羅元澤 這樣論述：
特徵選擇是一種能夠提升分類演算法分類效果的技術，此技術透過從資料中獲得有效的特徵子集降低資料維度，以解決因為高維度的資料帶來模型複雜度高、資料分類效度不佳的問題。除了特徵選擇外，集成學習的方法，利用透過建立多個分類器，來共同決定資料的類別，也可提升分類模型的效能。Adaboost為集成學習中領域的佼佼者。它利用資料抽樣的方式訓練多個相同分類演算法的分類器。Adaboost的優點在於能夠對分類錯誤的資料，給予較高的權重，使其有更高的機率給下一個分類器訓練，以不斷優化下一個類器的分類效能。Adaboost以決策樹為基礎建立多個模型時，會因為決策樹有特徵選擇的功能，在建模完成後，除輸出模型外，也可
輸出特徵選擇的結果。但如果基礎分類演算法不是決策樹時，則只能輸出模型。本研究以Adaboost為基礎提出一種新的分類方法以及兩種產生屬性重要性的方法。我們的分類方法將特徵選擇融入Adaboost集成學習之中，讓每個分類器在訓練抽樣後的資料之前，先做特徵選擇，以期能再提升每個分類器的分類效能。實驗的結果顯示我們的方法確實能夠提升分類的正確率。兩種產生屬性重要性的方法也讓Adaboost在選擇非決策樹為基礎分類演算法時，也能輸出特徵選擇的結果。
強化式學習多候選清單反覆貪婪演算法
為了解決ig演算法2022 的問題，作者程詩涵 這樣論述：
流程型排程問題(Permutation Flowshop Scheduling Problem, PFSP)，為相當經典之排程問題，為了在有限資源中達到最小化最大完工時間(Makespan)的目標，本研究基於反覆貪婪演算法(Iterated Greedy, IG)結合強化式學習(Reinforcement Learning, RL)，提出強化式學習多候選清單反覆貪婪演算法(Reinforcement Learning α-List Iterated Greedy, RLAIG)來求解此問題。RLAIG以具有N-List機制的N-NEH+建構初始解，解的反覆改進機制則以反覆貪婪演算法(Iter
ated Greedy)結合強化式學習及多候選清單(Alpha-List)機制來設計。本研究提出之RLAIG為求解品質穩定且績效優於演算法IG_RSLS(TBFF)，並且從多組分類比較看來RLAIG績效更勝於IG_RSLS(TBFF)，是更強大的演算法。