• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    面向K最近鄰分類的遺傳實(shí)例選擇算法

    2018-12-14 05:31:08黃宇揚(yáng)董明剛
    計(jì)算機(jī)應(yīng)用 2018年11期
    關(guān)鍵詞:分類實(shí)驗(yàn)

    黃宇揚(yáng),董明剛,2,敬 超,2

    (1.桂林理工大學(xué) 信息科學(xué)與工程學(xué)院,桂林 541004; 2.廣西嵌入式技術(shù)與智能系統(tǒng)重點(diǎn)實(shí)驗(yàn)室(桂林理工大學(xué)),桂林541004)(*通信作者電子郵箱d2015mg@qq.com)

    0 引言

    K最近鄰(K-Nearest Neighbors,KNN)分類算法是一種典型的非參數(shù)惰性學(xué)習(xí)方法[1],因其簡(jiǎn)單和有效使它被廣泛用于分類問(wèn)題[2-3]。它通過(guò)分析已知類的訓(xùn)練樣本來(lái)預(yù)測(cè)新樣本的類,因此訓(xùn)練集中的樣本很大程度地影響了KNN的分類精度和分類效率。目前KNN分類方法存在的主要問(wèn)題如下:1)訓(xùn)練集太大或數(shù)據(jù)的維數(shù)較高時(shí),其計(jì)算的代價(jià)較高[4-5];2)訓(xùn)練集存在大量噪聲樣本時(shí),會(huì)嚴(yán)重影響分類精度[6-8]。

    實(shí)例選擇算法可以有效緩解以上問(wèn)題,通過(guò)對(duì)訓(xùn)練集樣本的選擇,在原訓(xùn)練集中尋找訓(xùn)練效果較好的代表樣本集, 它通過(guò)縮減訓(xùn)練集來(lái)提高分類效率,同時(shí)通過(guò)刪除噪聲樣本來(lái)提高分類精度, 因此實(shí)例選擇受到關(guān)注。文獻(xiàn)[5]通過(guò)“最鄰近鏈”方法刪除訓(xùn)練樣本密集區(qū)中對(duì)分類決策影響不大的訓(xùn)練樣本來(lái)減少訓(xùn)練集樣本的數(shù)量; 文獻(xiàn)[8]在處理二分類問(wèn)題時(shí),通過(guò)使用決策樹(shù)對(duì)訓(xùn)練集進(jìn)行預(yù)分類來(lái)確定噪聲樣本。

    此外,進(jìn)化算法[9]也是一種有效的實(shí)例選擇方法[10-14]: 文獻(xiàn)[10]將實(shí)例選擇問(wèn)題看作是一個(gè)遺傳優(yōu)化問(wèn)題,在原有訓(xùn)練集的基礎(chǔ)上生成不同的訓(xùn)練集組合,選擇最優(yōu)的訓(xùn)練集組合來(lái)代替原始的訓(xùn)練集; 文獻(xiàn)[11]將遺傳算法運(yùn)用到實(shí)例選擇中,并與非進(jìn)化實(shí)例選擇方法進(jìn)行對(duì)比, 相較之下,它有著更高的分類精度; 文獻(xiàn)[12]采用協(xié)同進(jìn)化的方式,同時(shí)對(duì)樣本和樣本的特征進(jìn)行選擇,獲得訓(xùn)練效果最佳的訓(xùn)練集及樣本特征; 文獻(xiàn)[13]同時(shí)優(yōu)化樣本權(quán)重和特征權(quán)重,根據(jù)最優(yōu)的權(quán)重進(jìn)行訓(xùn)練; 文獻(xiàn)[14]將遺傳算法與模糊粗糙集理論相結(jié)合,進(jìn)行特征選擇以提高KNN的分類精度。上述方法取得了不錯(cuò)的效果,但還存在以下問(wèn)題:1)存在誤刪的風(fēng)險(xiǎn),從而造成分類精度的降低;2)算法效率偏低。

    本文主要研究如何為KNN選擇最佳的實(shí)例集。研究?jī)?nèi)容及貢獻(xiàn)如下:

    1)提出基于決策樹(shù)和遺傳算法的二階段篩選機(jī)制。先使用決策樹(shù)確定噪聲樣本存在的范圍,再使用遺傳算法在該范圍內(nèi)精確刪除噪聲樣本。該篩選機(jī)制能進(jìn)一步提高分類精度,并縮小在訓(xùn)練集中進(jìn)行實(shí)例選擇的范圍, 相較于對(duì)整個(gè)訓(xùn)練集進(jìn)行實(shí)例選擇的算法[7,12-13]有著較高的效率。

    2)提出一種新的驗(yàn)證集選擇策略。選擇訓(xùn)練集中與測(cè)試集最鄰近的樣本組合成驗(yàn)證集,使遺傳算法計(jì)算的適應(yīng)度自適應(yīng)不同的測(cè)試集,提高了實(shí)例選擇的準(zhǔn)確度。

    3)引進(jìn)一種新的遺傳算法目標(biāo)函數(shù)。將基于均方誤差的分類精度懲罰函數(shù)MSE(Mean Square Error)作為目標(biāo)函數(shù)能使遺傳算法準(zhǔn)確地找到最優(yōu)的訓(xùn)練樣本集,相比傳統(tǒng)目標(biāo)函數(shù)更為穩(wěn)定和有效。

    1 PRKNN算法

    文獻(xiàn)[8]提出了一種基于KNN的二分類實(shí)例選擇方法(PRe-classification basedKNN, PRKNN), 在處理較大的數(shù)據(jù)集時(shí),既提高了分類效率,又提高了分類精度。首先通過(guò)訓(xùn)練集構(gòu)建決策樹(shù)分類器,訓(xùn)練集中的每個(gè)樣本都被劃分到?jīng)Q策樹(shù)的子葉節(jié)點(diǎn)中,經(jīng)過(guò)決策樹(shù)的分類后,訓(xùn)練集被分為幾個(gè)不同的樣本子集; 然后根據(jù)分類比率p(p是該樣本子集正類樣本的數(shù)量和總樣本數(shù)量的比值)和閾值α(α<0.5)來(lái)判斷這幾個(gè)樣本子集哪些是噪聲樣本大量存在的子集。如果該樣本子集分類比率p≥α且≤1-α,則該樣本子集確定為噪聲樣本大量存在的子集,這些樣本子集將會(huì)被刪除出訓(xùn)練集。ω=1表示將該樣本子集留在訓(xùn)練集,ω=0表示將該樣本子集刪除,刪減法則遵循式(1):

    (1)

    盡管PRKNN方法在提高KNN的分類效率和分類精度上取得了不錯(cuò)的效果; 但是在處理部分?jǐn)?shù)據(jù)集時(shí),由于刪除掉的樣本子集里包含有大量的非噪聲樣本,會(huì)嚴(yán)重地影響分類精度,甚至低于傳統(tǒng)的KNN算法。為此本文采用其預(yù)分類的思想,提出了改進(jìn)的遺傳實(shí)例選擇(Genetic Instance Selection,GIS)算法。 首先使用決策樹(shù)初步確定噪聲樣本大量存在的范圍;再使用遺傳算法在該范圍內(nèi)精確定位并刪除噪聲樣本。該方法相較于當(dāng)前進(jìn)化實(shí)例選擇算法在分類精度和分類效率上均有一定程度的提升。

    2 GIS算法

    2.1 基于決策樹(shù)與遺傳算法的二階段篩選機(jī)制

    正如第1章所述,PRKNN算法將訓(xùn)練集進(jìn)行預(yù)分類,把訓(xùn)練集分成幾個(gè)樣本子集;然后根據(jù)式(1)將一些樣本子集從訓(xùn)練集中刪除,但是這些樣本子集中大概率包含非噪聲樣本,從而導(dǎo)致分類精度降低。本文算法不將這些樣本子集完全刪除,而將其中的樣本加入噪聲樣本集Tnoise,其余樣本作為非噪聲樣本保留在訓(xùn)練集中;隨后使用遺傳算法在Tnoise中精確刪除噪聲樣本;最后,Tnoise剩余的樣本與原來(lái)留下的樣本組成訓(xùn)練集。為了使預(yù)分類思想能在多類問(wèn)題中應(yīng)用,本文算法將重新將p定義為主類占比,代表子集中最大同類樣本數(shù)量和總樣本數(shù)量的比值,同時(shí)α的范圍變?yōu)棣?0.5。若該樣本子集p小于或等于α則該樣本子集為噪聲樣本子集, 否則為非噪聲樣本子集,樣本子集的確定遵循式(2):

    (2)

    如圖1的例子,假設(shè)設(shè)定α的值為0.8。決策樹(shù)將訓(xùn)練集分成A、B、C、D四個(gè)樣本子集。子集A、D的p為0.88和1,均大于0.8,是非噪聲樣本子集,所以里面的樣本將保留在訓(xùn)練集中; 子集B、C的p為0.56和0.5,為噪聲樣本子集,里面的樣本將加入Tnoise,使用遺傳算法進(jìn)行進(jìn)一步篩選,決定樣本是否留在訓(xùn)練集中。

    圖1 噪聲樣本子集的確定

    本文將對(duì)Tnoise的樣本選擇問(wèn)題看作是一個(gè)遺傳優(yōu)化問(wèn)題,在Tnoise的基礎(chǔ)上生成不同的替代樣本子集,對(duì)這些子集進(jìn)行評(píng)價(jià)與對(duì)比,在進(jìn)化一定的代數(shù)后選出最優(yōu)的子集代替原來(lái)的Tnoise。

    如圖2所示,Tnoise的樣本用N位的二進(jìn)制向量b表示,N為所有Tnoise中包含的樣本總量。每一位代表Tnoise里的每一個(gè)樣本。如果b的第n位b[n]=1,則其代表的相應(yīng)樣本為非噪聲樣本,將保留在訓(xùn)練集中;反之將從訓(xùn)練集中刪除。比特流b由給定目標(biāo)函數(shù)的最小化來(lái)決定。如圖3所示,本文將使用遺傳算法獲取最優(yōu)的比特流b。

    圖2 噪聲樣本子集編碼

    圖3 遺傳算法的應(yīng)用

    2.2 基于最近鄰規(guī)則的驗(yàn)證集選擇策略

    傳統(tǒng)的驗(yàn)證集是從訓(xùn)練集中隨機(jī)選出與測(cè)試集等量的樣本組合而成[7],用來(lái)輔助模型構(gòu)建。該驗(yàn)證集選擇方法存在以下問(wèn)題:

    1)當(dāng)數(shù)據(jù)集較小時(shí),從訓(xùn)練集中選出驗(yàn)證集會(huì)使訓(xùn)練集樣本的數(shù)量進(jìn)一步減少,對(duì)依賴訓(xùn)練集進(jìn)行分類的KNN算法的分類精度產(chǎn)生很大的影響。

    2)使用隨機(jī)選取的驗(yàn)證集,由于它的隨機(jī)性,構(gòu)建出來(lái)的訓(xùn)練集會(huì)擬合于隨機(jī)的驗(yàn)證集導(dǎo)致分類效果不太穩(wěn)定。

    針對(duì)以上不足,本文采用最近鄰規(guī)則復(fù)制訓(xùn)練集中與測(cè)試集最鄰近的樣本來(lái)組成驗(yàn)證集。具體算法流程如下:

    算法1 最近鄰驗(yàn)證集選擇算法。

    輸入 訓(xùn)練集為Tr,測(cè)試集為Te;

    輸出 驗(yàn)證集為Vs。

    fori=1:測(cè)試集樣本數(shù)量

    forj=1:訓(xùn)練集樣本的數(shù)量

    ifTrj最鄰近Tei

    復(fù)制Trj到Vs

    end if

    end for

    end for

    該方法使驗(yàn)證集的特征更接近測(cè)試集。每一個(gè)測(cè)試集都會(huì)有一個(gè)與其對(duì)應(yīng)的驗(yàn)證集,算法能通過(guò)這些驗(yàn)證集,自適應(yīng)地構(gòu)造出更有效的訓(xùn)練集; 可以避免因選出驗(yàn)證集后使訓(xùn)練集縮減導(dǎo)致的KNN分類精度損失; 同時(shí),KNN使用該訓(xùn)練集進(jìn)行分類,分類精度更高,分類效果更加穩(wěn)定。

    2.3 基于均方誤差的分類精度懲罰函數(shù)

    選擇合適的遺傳算法目標(biāo)函數(shù)來(lái)計(jì)算適應(yīng)度是獲取最優(yōu)訓(xùn)練集的關(guān)鍵。傳統(tǒng)相關(guān)算法使用KNN的分類錯(cuò)誤率作為目標(biāo)函數(shù)并適當(dāng)?shù)卦黾討土P(Counting Estimator with Penalizing Term, CEPT),如式(3)。驗(yàn)證集中的樣本數(shù)量為N,若其中第n個(gè)樣本Xn正確分類則h(Xn)=0,否則為1。

    (3)

    文獻(xiàn)[7]在CEPT的基礎(chǔ)上提出了更為有效和穩(wěn)定的基于均方誤差的分類精度懲罰函數(shù)MSE,如式(4):

    (4)

    其中:N表示驗(yàn)證集中樣本的數(shù)量;C表示樣本集的總類別;k表示k鄰近值,kn[i]/k表示驗(yàn)證集中第n個(gè)樣本被預(yù)測(cè)為第i類的概率;cn為該樣本的真實(shí)類別。

    2.4 GIS算法流程

    算法的整體流程主要包含三大步驟:第一步,使用決策樹(shù)確定噪聲樣本大量存在的范圍即Tnoise;第二步,使用遺傳算法從該范圍中刪除噪聲樣本;第三步,使用KNN進(jìn)行分類。具體算法流程如下:

    算法2 改進(jìn)的基于KNN的實(shí)例選擇算法。

    輸入 訓(xùn)練集為Tr,測(cè)試集為Te,最鄰近值為k,噪聲分部概率閾值為α;

    輸出 分類正確率為Ac。

    1)

    復(fù)制訓(xùn)練集中與測(cè)試集最鄰近的樣本組成驗(yàn)證集;

    2)

    在訓(xùn)練集上進(jìn)行預(yù)分類,通過(guò)C4.5分類器將訓(xùn)練集劃分為幾個(gè)樣本子集:T1、T2、T3,…,并計(jì)算樣本子集的分類比率p1、p2、p3,…;

    3)

    fori=1:樣本子集的數(shù)量

    4)

    Ti的主類占比小于等于α則將該子集的樣本加入Tnoise,否則不做處理;

    5)

    根據(jù)Tnoise總的樣本數(shù)量N,初始化包含有10個(gè)N位二進(jìn)制向量個(gè)體的種群,其中1個(gè)二進(jìn)制向量每一位都為1,其余9個(gè)隨機(jī)產(chǎn)生;

    6)

    end for

    7)

    fori=1:30

    8)

    根據(jù)驗(yàn)證集計(jì)算種群中每一個(gè)個(gè)體對(duì)應(yīng)的目標(biāo)函數(shù)值,并保存全局最優(yōu)值;

    9)

    使用輪盤(pán)賭法隨機(jī)選擇優(yōu)秀的個(gè)體交叉產(chǎn)生10個(gè)個(gè)體;

    10)

    將二進(jìn)制突變應(yīng)用到整個(gè)種群中;

    11)

    end for

    12)

    利用經(jīng)典的KNN算法基于全局最優(yōu)個(gè)體對(duì)應(yīng)的Tr對(duì)Te中的所有樣本進(jìn)行類別標(biāo)號(hào);

    13)

    輸出標(biāo)號(hào)后的數(shù)據(jù)集Te

    其中,步驟1)驗(yàn)證集與測(cè)試集越相似,遺傳算法得出的最優(yōu)訓(xùn)練集越接近于測(cè)試集的最優(yōu)訓(xùn)練集,最后對(duì)測(cè)試集進(jìn)行KNN分類時(shí)分類的精度越高。步驟4)參數(shù)α的值設(shè)置太小,所確定的噪聲區(qū)范圍會(huì)偏大,使GIS算法在較小迭代次數(shù)和種群條件下得到的分類效果也偏低;參數(shù)α的值設(shè)置太大,會(huì)使噪聲區(qū)太小或沒(méi)有噪聲區(qū),導(dǎo)致GIS失去效果,相當(dāng)于KNN。建議將α設(shè)置在0.1~0.3。步驟5)使初始化的初代種群有一個(gè)個(gè)體是每一位都為1的二進(jìn)制向量。將其作為初代個(gè)體之一,可以保證在C4.5決策樹(shù)分類器誤將非噪聲樣本子集劃分為噪聲樣本子集時(shí),將保留原始的訓(xùn)練集作為最優(yōu)訓(xùn)練集的備選個(gè)體之一。算法整體結(jié)構(gòu)和流程如圖4所示。

    圖4 GIS算法流程

    3 實(shí)驗(yàn)結(jié)構(gòu)

    3.1 實(shí)驗(yàn)設(shè)置

    為了驗(yàn)證算法的有效性,本文通過(guò)Keel編程實(shí)現(xiàn)算法,并在Win10系統(tǒng)下的Keel軟件進(jìn)行實(shí)驗(yàn)。對(duì)本文算法GIS、基于協(xié)同進(jìn)化的實(shí)例特征選擇算法(Instance and Feature Selection based on Cooperative Coevolution, IFS-CoCo)[12]、PRKNN算法[8]、經(jīng)典KNN算法[1]這四個(gè)算法進(jìn)行對(duì)比。實(shí)驗(yàn)數(shù)據(jù)來(lái)源于Keel平臺(tái)標(biāo)準(zhǔn)的數(shù)據(jù)集庫(kù),大部分在UCI上有對(duì)應(yīng)的數(shù)據(jù)集,數(shù)據(jù)集信息如表1所示。為了更好地驗(yàn)證GIS的可靠性和穩(wěn)定性,數(shù)據(jù)集樣本數(shù)量小于1 000的數(shù)據(jù)集使用3折交叉驗(yàn)證,大于1 000的使用5折交叉驗(yàn)證,實(shí)驗(yàn)10次取平均。四個(gè)算法k=7;GIS、PRKNNα=0.2;GIS、IFS-CoCo初始化10個(gè)個(gè)體,遺傳迭代30次;四個(gè)算法其余參數(shù)按原算法默認(rèn)值設(shè)置。

    PRKNN只是二分類算法,本文通過(guò)重新定義p的方法將其擴(kuò)展到多類(詳見(jiàn)2.1節(jié)),不影響其處理二類問(wèn)題的效果。

    表1 數(shù)據(jù)集信息

    3.2 評(píng)價(jià)標(biāo)準(zhǔn)

    為了全面分析得到的實(shí)驗(yàn)結(jié)果,本文采用以下3種評(píng)價(jià)指標(biāo):

    1)分類精度。分類精度是測(cè)試樣本被正確分類的數(shù)量和測(cè)試樣本總數(shù)量的比值,是衡量一個(gè)分類器分類效果的重要指標(biāo)[15]。

    2)AUC(Area Under Curve)。 AUC是接收者操作特征曲線ROC(Receiver Operating Characteristic)下方的面積[16],是判斷二分類預(yù)測(cè)模型優(yōu)劣的標(biāo)準(zhǔn)(ROC曲線的橫坐標(biāo)是偽陽(yáng)率,縱坐標(biāo)是真陽(yáng)率)。為了計(jì)算AUC需要用到混淆矩陣來(lái)計(jì)算真陽(yáng)率(Sensitivity)、偽陽(yáng)率(Specificity)。

    在混淆矩陣中,真陽(yáng)性(TP)是正確分類的正類樣本的數(shù)量;偽陽(yáng)性(FP)是錯(cuò)誤分類正類樣本的數(shù)量;真陰性(TN)是正確分類的負(fù)類樣本的數(shù)量;偽陰性(FN)是錯(cuò)誤分類的負(fù)樣本的數(shù)量。根據(jù)混淆矩陣,真陽(yáng)率(Sensitivity)、偽陽(yáng)率(Specificity)的計(jì)算公式如式(5)、式(6):

    (5)

    (6)

    3)Kappa: Kappa系數(shù)從混淆矩陣中衍生出來(lái)的分類精度評(píng)價(jià)指標(biāo)[17],代表被評(píng)價(jià)分類與完全隨機(jī)分類相比產(chǎn)生錯(cuò)誤減少的比例,它的計(jì)算公式如式(7):

    (7)

    其中:r是它的行數(shù),xii是i行i列(主對(duì)角線)上的值,xi+和x+i分別是第i行和第i列的和,N為測(cè)試集的樣本數(shù)量。

    AUC作為二類數(shù)據(jù)集的評(píng)價(jià)指標(biāo),Kappa系數(shù)作為多類數(shù)據(jù)集的評(píng)價(jià)指標(biāo),分類精度同時(shí)作為二類、多類數(shù)據(jù)集的評(píng)價(jià)指標(biāo)。

    4 實(shí)驗(yàn)結(jié)果分析

    4.1 分類精度結(jié)果及分析

    3.1節(jié)實(shí)驗(yàn)條件下,4個(gè)算法在數(shù)據(jù)集上的分類精度對(duì)比實(shí)驗(yàn)結(jié)果如表2(分類精度+標(biāo)準(zhǔn)差、每個(gè)數(shù)據(jù)集最優(yōu)分類精度為粗體)所示。由實(shí)驗(yàn)數(shù)據(jù)可得:

    1)GIS在測(cè)試數(shù)據(jù)集上的平均分類精度及最優(yōu)分類精度占比(15/20)均高于其他三個(gè)對(duì)比算法。

    2)GIS相較于PRKNN在分類精度上平均提高3.56%,提高范圍為0.07%~26.9%。

    3)GIS相較于IFS-CoCo在分類精度上平均提高1.52%,提高范圍為0.03%~11.8%。

    4)GIS相較于KNN在分類精度上平均提高1.66%,提高范圍為0.2%~12.64%。

    5)PRKNN在Titanic、Bupa數(shù)據(jù)集、IFS-CoCo在Tic-tac-toe(Tic)、Vowel數(shù)據(jù)集的實(shí)驗(yàn)中相對(duì)于其他算法有較大的精度損失(低于KNN 5%以上),導(dǎo)致平均精度較低,GIS比較穩(wěn)定且平均精度高于其他對(duì)比算法。

    6)同為進(jìn)化實(shí)例選擇算法,相較于IFS-CoCo,GIS能在較小的迭代評(píng)估次數(shù)下獲得較優(yōu)且穩(wěn)定的分類精度。

    7)在具體實(shí)例選擇步驟分類結(jié)果的對(duì)比中,使用C4.5決策樹(shù)進(jìn)行實(shí)例選擇時(shí)(PRKNN),平均分類精度最低(72.25%),當(dāng)不進(jìn)行實(shí)例選擇時(shí)(KNN)平均分類精度為74.15%,當(dāng)使用C4.5與遺傳算法結(jié)合的二階段篩選機(jī)制進(jìn)行實(shí)例選擇時(shí)(GIS)平均分類精度最高(75.81%),最優(yōu)分類精度占比最高(15/20)。

    表2 4種算法分類精度實(shí)驗(yàn)結(jié)果 %

    GIS與其他三個(gè)對(duì)比算法在分類精度上威爾克森秩和檢驗(yàn)[18]結(jié)果如表3所示,不論與哪個(gè)算法相比,GIS的R+的值均遠(yuǎn)大于R-的值。P-value均遠(yuǎn)小于常規(guī)的顯著水平(0.05),可以證明GIS在這組實(shí)驗(yàn)上的分類精度遠(yuǎn)優(yōu)于其他對(duì)比算法。

    表3 分類精度威爾科克森符號(hào)秩和檢驗(yàn)

    綜合以上分析,GIS算法分類精度優(yōu)于其他三種對(duì)比算法。使用C4.5與遺傳算法相結(jié)合的二階段篩選機(jī)制,也優(yōu)于不進(jìn)行實(shí)例選擇、使用C4.5進(jìn)行實(shí)例選擇。

    4.2 AUC和Kappa結(jié)果及分析

    在3.1節(jié)實(shí)驗(yàn)條件下,4個(gè)算法的AUC(二類數(shù)據(jù)集)、Kappa(多類數(shù)據(jù)集)對(duì)比實(shí)驗(yàn)結(jié)果(AUC或Kappa +標(biāo)準(zhǔn)差、每個(gè)數(shù)據(jù)集最優(yōu)AUC或Kappa為粗體)如表4所示。

    表4 4種算法AUC或Kappa實(shí)驗(yàn)結(jié)果 %

    GIS算法與其他三個(gè)對(duì)比算法在AUC或Kappa上的威爾克森秩和檢驗(yàn)結(jié)果如表5所示。

    表5 AUC和Kappa威爾科克森符號(hào)秩和檢驗(yàn)

    由表5實(shí)驗(yàn)數(shù)據(jù)得:

    1)GIS算法的AUC和Kappa均值及最優(yōu)AUC和Kappa占比(13/20)均優(yōu)于其他對(duì)比算法。

    2)GIS相較于PRKNN在AUC和Kappa上平均提高3.79%,提高范圍為0.25%~18.32%。

    3)GIS相較于IF-CoCo在AUC和Kappa上平均提高3.89%,提高范圍1.27%~23.29%。

    4)GIS相較于KNN在AUC和Kappa上平均提高1.06%,提高范圍0.04%~12.82%。

    5)PRKNN在數(shù)據(jù)集Tic、Saheart、Titanic、Haberman有較大的AUC損失(低于KNN5%以上)。IFS-CoCo在數(shù)據(jù)集Tic、Pima、Spectfhear、Banana、Vowel有較大的AUC和Kappa損失。

    由表4實(shí)驗(yàn)數(shù)據(jù)得:每一組對(duì)比實(shí)驗(yàn),P-value均小于常規(guī)的顯著水平,可以證明GIS在AUC和Kappa上優(yōu)于其他對(duì)比算法。

    如果不能精確地刪除訓(xùn)練集中的噪聲樣本,會(huì)對(duì)依靠訓(xùn)練集進(jìn)行分類的分類算法產(chǎn)生嚴(yán)重的影響,即使能提高分類精度,也可能造成AUC和Kappa的損失。GIS有效降低了誤刪率,提高了AUC和Kappa和穩(wěn)定性。

    5 討論

    5.1 遺傳算法策略有效性討論

    為了更好地驗(yàn)證最近鄰驗(yàn)證集選擇(Nearest Verification set Selection, NVS)策略和遺傳算法適應(yīng)度計(jì)算策略MSE的有效性,本文將采用不同的驗(yàn)證集選擇策略包括NVS、隨機(jī)驗(yàn)證集選擇(Random Verification set Selection, RVS)策略與不同的適應(yīng)度計(jì)算策略包括CEPT、MSE兩兩組合進(jìn)行配對(duì)實(shí)驗(yàn)。

    在3.1節(jié)實(shí)驗(yàn)條件下,對(duì)遺傳算法策略驗(yàn)證的實(shí)驗(yàn)結(jié)果如表6(分類精度+標(biāo)準(zhǔn)差、最優(yōu)分類精度為粗體)和圖5所示,由實(shí)驗(yàn)數(shù)據(jù)可知:

    1)NVS+MSE的遺傳組合策略在測(cè)試數(shù)據(jù)集的平均分類精度及最優(yōu)分類精度占比(16/20)均優(yōu)于其他三種對(duì)比策略。

    2)NVS的驗(yàn)證集選擇策略相對(duì)于RVS策略對(duì)分類精度平均提高1.11%(CEPT)、1.96%(MSE),有著較大的提升。

    3)MSE+NVS相對(duì)于CEPT+NVS的策略組合對(duì)平均分類精度有1%的提升。

    圖5 遺傳算法策略驗(yàn)證

    NVS+MSE策略與其他策略在分類精度上的威爾克森秩和檢驗(yàn)結(jié)果如表7所示,其中MSE vs CEPT測(cè)試是在屏蔽掉NVS的對(duì)比測(cè)試即RVS+MSE vs RVS+CEPT,同樣的NVS vs RVS屏蔽了MSE。由實(shí)驗(yàn)數(shù)據(jù)可知:

    1)在MSE vs CEPT實(shí)驗(yàn)中,R+與R-的差值為51,P-value也偏大,說(shuō)明在此次實(shí)驗(yàn)中MSE相對(duì)于CEPT對(duì)分類精度提升不明顯。

    2)在NVS vs RVS實(shí)驗(yàn)中,R+與R-的差值為117,且P-value小于常規(guī)顯著水平,說(shuō)明NVS相對(duì)于RVS對(duì)分類精度有較顯著的提升。

    3)NVS+MSE策略對(duì)比其他的策略,P-value均遠(yuǎn)小于常規(guī)顯著水平。

    綜合以上分析,GIS在使用NVS+MSE的遺傳算法策略進(jìn)行實(shí)例選擇時(shí)。能提高實(shí)例選擇的精確度,準(zhǔn)確刪除噪聲樣本,提高GIS的分類精度。在該組合策略中NSV起主要作用,與MSE結(jié)合能得到最好的效果。

    5.2 算法時(shí)間復(fù)雜度討論

    面向KNN的進(jìn)化訓(xùn)練集選擇算法主要的時(shí)間消耗來(lái)源于每次進(jìn)化迭代過(guò)程中對(duì)適應(yīng)度的計(jì)算。IFS-CoCo采用協(xié)同進(jìn)化的方式同時(shí)進(jìn)行實(shí)例選擇(Instance Selection, IS)、特征選擇(Feature Selection, FS)及實(shí)例和特征選擇(Instance and Feature Selection, IFS)。每次迭代需要計(jì)算三個(gè)適應(yīng)度(IS、FS、IFS分別的適應(yīng)度)。 它不引進(jìn)驗(yàn)證集,直接使用原始的訓(xùn)練集進(jìn)行訓(xùn)練,所以每次計(jì)算適應(yīng)度的時(shí)間復(fù)雜度為

    3O(N·S),N為訓(xùn)練集中樣本的數(shù)量,S為從訓(xùn)練集中選擇樣本的數(shù)量。GIS引進(jìn)驗(yàn)證集,只進(jìn)行IS,時(shí)間復(fù)雜度為O(M·S),M為驗(yàn)證集樣本的數(shù)量(M≤N)。IFS-CoCo是基于整個(gè)訓(xùn)練集進(jìn)行全局尋優(yōu),GIS使用C4.5進(jìn)行噪聲范圍定位后再進(jìn)行準(zhǔn)確的局部尋優(yōu),所以GIS在遺傳算法的時(shí)間復(fù)雜度上小于IFS-CoCo。綜合以上分析GIS在時(shí)間復(fù)雜度上小于IFS-CoCo。

    雖然GIS的時(shí)間復(fù)雜度高于PRKNN,但由第4章的實(shí)驗(yàn)結(jié)果可知GIS在分類精度、AUC和Kappa及分類效果的穩(wěn)定性上遠(yuǎn)優(yōu)于PRKNN。

    6 結(jié)語(yǔ)

    本文提出了一種新的面向KNN的遺傳實(shí)例選擇算法GIS來(lái)提高KNN的分類精度。先通過(guò)C4.5決策樹(shù)確定噪聲樣本大量存在的范圍;再使用遺傳算法在這個(gè)范圍內(nèi)精確地刪除噪聲樣本,進(jìn)一步提升了分類精度。相對(duì)于當(dāng)前進(jìn)化實(shí)例選擇算法效率更高,效果更好。本文還提出一種新的遺傳實(shí)例選擇策略NSV+MSE,遺傳算法使用該策略進(jìn)行實(shí)例選擇時(shí),能針對(duì)不同的測(cè)試集選擇出更適合它們的訓(xùn)練集,從而有效提升遺傳算法進(jìn)行實(shí)例選擇的準(zhǔn)確度。

    表6 5種遺傳算法策略的分類精度實(shí)驗(yàn)結(jié)果 %

    表7 遺傳算法策略威爾克森秩和檢驗(yàn)

    經(jīng)驗(yàn)證GIS 綜合性能優(yōu)于傳統(tǒng)KNN、PRKNN、IFS-CoCo等算法,NSV+MSE也優(yōu)于傳統(tǒng)的遺傳實(shí)例選擇策略。

    GIS未來(lái)的研究方向如下:1)GIS算法的兩個(gè)關(guān)鍵參數(shù)k和α均需要手動(dòng)設(shè)置,可以將它們改成自適應(yīng)的形式以提高算法的智能性;2)在對(duì)噪聲區(qū)進(jìn)行實(shí)例選擇時(shí),可以不局限于樣本的選擇,可以擴(kuò)展到特征選擇。樣本選擇與特征選擇相結(jié)合或許能進(jìn)一步提升分類精度;3)使用新的遺傳算法代替原始的遺傳算法進(jìn)實(shí)例選擇。

    猜你喜歡
    分類實(shí)驗(yàn)
    記一次有趣的實(shí)驗(yàn)
    微型實(shí)驗(yàn)里看“燃燒”
    分類算一算
    垃圾分類的困惑你有嗎
    大眾健康(2021年6期)2021-06-08 19:30:06
    做個(gè)怪怪長(zhǎng)實(shí)驗(yàn)
    分類討論求坐標(biāo)
    數(shù)據(jù)分析中的分類討論
    教你一招:數(shù)的分類
    NO與NO2相互轉(zhuǎn)化實(shí)驗(yàn)的改進(jìn)
    實(shí)踐十號(hào)上的19項(xiàng)實(shí)驗(yàn)
    太空探索(2016年5期)2016-07-12 15:17:55
    久久精品国产综合久久久| 熟女少妇亚洲综合色aaa.| 亚洲av电影不卡..在线观看| 欧美不卡视频在线免费观看| 亚洲精品在线美女| 欧美黄色淫秽网站| 亚洲熟妇熟女久久| 欧美一区二区精品小视频在线| 国产aⅴ精品一区二区三区波| 国产精品久久电影中文字幕| 久久精品亚洲精品国产色婷小说| 男女午夜视频在线观看| 制服丝袜大香蕉在线| 中文字幕久久专区| 亚洲av美国av| 欧美中文日本在线观看视频| 国内精品美女久久久久久| 国产高清有码在线观看视频| 国产伦精品一区二区三区四那| 欧美一区二区国产精品久久精品| 国产综合懂色| 精华霜和精华液先用哪个| 美女高潮的动态| 啦啦啦免费观看视频1| 色av中文字幕| 别揉我奶头~嗯~啊~动态视频| 国产精品三级大全| 亚洲一区二区三区色噜噜| 天堂av国产一区二区熟女人妻| 首页视频小说图片口味搜索| 成人无遮挡网站| 国产精品女同一区二区软件 | 色综合亚洲欧美另类图片| 国产午夜精品久久久久久一区二区三区 | 两性午夜刺激爽爽歪歪视频在线观看| 成年女人毛片免费观看观看9| 欧美在线一区亚洲| 99热只有精品国产| 丁香欧美五月| 网址你懂的国产日韩在线| 国产成人啪精品午夜网站| 亚洲欧美日韩高清专用| 噜噜噜噜噜久久久久久91| 变态另类丝袜制服| 日韩 欧美 亚洲 中文字幕| 亚洲人成网站在线播放欧美日韩| 九九久久精品国产亚洲av麻豆| 桃红色精品国产亚洲av| 久久久国产精品麻豆| 亚洲,欧美精品.| 伊人久久大香线蕉亚洲五| 欧美日韩精品网址| 亚洲 欧美 日韩 在线 免费| 在线a可以看的网站| 日本一本二区三区精品| 性欧美人与动物交配| 免费观看的影片在线观看| 给我免费播放毛片高清在线观看| 久久久久九九精品影院| 国产亚洲欧美在线一区二区| 国产高清视频在线播放一区| 麻豆一二三区av精品| 午夜激情欧美在线| 久久久久久久午夜电影| 12—13女人毛片做爰片一| 99精品在免费线老司机午夜| 国内精品久久久久久久电影| 亚洲内射少妇av| 久久欧美精品欧美久久欧美| 欧美日本视频| 少妇的丰满在线观看| 极品教师在线免费播放| 亚洲精品一区av在线观看| 91九色精品人成在线观看| 天堂影院成人在线观看| 国产日本99.免费观看| 中亚洲国语对白在线视频| 久久久久久久久久黄片| 午夜免费成人在线视频| 在线观看66精品国产| 一区二区三区激情视频| 小蜜桃在线观看免费完整版高清| xxx96com| 免费看日本二区| 美女 人体艺术 gogo| www.www免费av| 欧美性感艳星| 亚洲av成人av| avwww免费| 欧美又色又爽又黄视频| 国产精品亚洲一级av第二区| 两性午夜刺激爽爽歪歪视频在线观看| 日韩大尺度精品在线看网址| 精品99又大又爽又粗少妇毛片 | 桃红色精品国产亚洲av| 舔av片在线| 免费在线观看影片大全网站| 99久久精品一区二区三区| 无人区码免费观看不卡| 欧美乱妇无乱码| www.www免费av| 国产三级黄色录像| 亚洲精品国产精品久久久不卡| 97碰自拍视频| 999久久久精品免费观看国产| 免费av不卡在线播放| 少妇高潮的动态图| 变态另类成人亚洲欧美熟女| 亚洲中文日韩欧美视频| 人妻丰满熟妇av一区二区三区| 人妻久久中文字幕网| 无人区码免费观看不卡| 国产成人av教育| 三级毛片av免费| xxxwww97欧美| 国产69精品久久久久777片| 高清毛片免费观看视频网站| 欧美成人一区二区免费高清观看| 欧美成人性av电影在线观看| 嫩草影院精品99| 欧美日韩一级在线毛片| 最后的刺客免费高清国语| 免费搜索国产男女视频| 日韩欧美免费精品| 床上黄色一级片| 美女高潮喷水抽搐中文字幕| 国内揄拍国产精品人妻在线| 亚洲真实伦在线观看| 在线观看av片永久免费下载| 变态另类成人亚洲欧美熟女| 黄色成人免费大全| 亚洲专区国产一区二区| 亚洲真实伦在线观看| 亚洲国产高清在线一区二区三| 国产高清视频在线播放一区| 国产一区二区三区视频了| 国语自产精品视频在线第100页| 好看av亚洲va欧美ⅴa在| 午夜免费男女啪啪视频观看 | 99riav亚洲国产免费| 免费看十八禁软件| 色精品久久人妻99蜜桃| 欧美成人一区二区免费高清观看| 国产乱人伦免费视频| 国产激情偷乱视频一区二区| 午夜精品一区二区三区免费看| 精品久久久久久久久久免费视频| 久久久精品大字幕| 中文在线观看免费www的网站| 99久久99久久久精品蜜桃| 韩国av一区二区三区四区| 91在线观看av| 黄色日韩在线| 精品一区二区三区人妻视频| av天堂在线播放| 亚洲真实伦在线观看| 一级a爱片免费观看的视频| 久久婷婷人人爽人人干人人爱| 搡女人真爽免费视频火全软件 | 久9热在线精品视频| 日本撒尿小便嘘嘘汇集6| 午夜精品久久久久久毛片777| 热99re8久久精品国产| 国内精品久久久久久久电影| 日本撒尿小便嘘嘘汇集6| 欧美黄色淫秽网站| 一卡2卡三卡四卡精品乱码亚洲| 欧美日韩亚洲国产一区二区在线观看| 老司机福利观看| 精品久久久久久久人妻蜜臀av| 中文资源天堂在线| 成人高潮视频无遮挡免费网站| 麻豆成人av在线观看| 亚洲人成网站在线播放欧美日韩| 国产精品国产高清国产av| 日本成人三级电影网站| 国产老妇女一区| 一区二区三区高清视频在线| 国产精品影院久久| 三级国产精品欧美在线观看| 成人特级黄色片久久久久久久| 欧美日韩综合久久久久久 | 成年女人看的毛片在线观看| 黄色成人免费大全| 国产亚洲精品久久久久久毛片| 欧美日韩精品网址| 精品不卡国产一区二区三区| 熟女电影av网| 三级国产精品欧美在线观看| 老熟妇仑乱视频hdxx| 成人国产一区最新在线观看| 丁香欧美五月| 草草在线视频免费看| 欧美黑人欧美精品刺激| АⅤ资源中文在线天堂| 色综合站精品国产| 少妇裸体淫交视频免费看高清| 欧美成人性av电影在线观看| 老鸭窝网址在线观看| 亚洲黑人精品在线| 日韩欧美精品免费久久 | 黄色视频,在线免费观看| 免费人成视频x8x8入口观看| 毛片女人毛片| 女警被强在线播放| 欧美丝袜亚洲另类 | 免费观看精品视频网站| 中文字幕av在线有码专区| 成人永久免费在线观看视频| 欧美不卡视频在线免费观看| 在线天堂最新版资源| 精品人妻偷拍中文字幕| 18禁黄网站禁片免费观看直播| 欧美黑人欧美精品刺激| 亚洲国产欧美人成| а√天堂www在线а√下载| 日韩高清综合在线| 免费无遮挡裸体视频| 日韩中文字幕欧美一区二区| 99国产极品粉嫩在线观看| 国产一区在线观看成人免费| 在线观看一区二区三区| 午夜亚洲福利在线播放| 在线观看日韩欧美| 国产精品永久免费网站| 99国产精品一区二区三区| 精品一区二区三区人妻视频| 一级a爱片免费观看的视频| 国产高清视频在线观看网站| 一个人观看的视频www高清免费观看| 一级作爱视频免费观看| 内地一区二区视频在线| 亚洲成av人片在线播放无| 国产午夜福利久久久久久| 18禁黄网站禁片免费观看直播| 久久精品影院6| 亚洲国产精品成人综合色| 亚洲精品456在线播放app | 亚洲一区二区三区色噜噜| 午夜福利欧美成人| 国产精品日韩av在线免费观看| 欧美日韩一级在线毛片| 精品久久久久久成人av| 国产激情偷乱视频一区二区| 国产乱人伦免费视频| 在线观看av片永久免费下载| 一区福利在线观看| 麻豆国产97在线/欧美| 一本久久中文字幕| 天堂影院成人在线观看| 国产精品亚洲一级av第二区| av欧美777| 在线观看美女被高潮喷水网站 | 亚洲精品在线观看二区| 国产精品久久久久久精品电影| 最近视频中文字幕2019在线8| 日韩欧美精品免费久久 | 熟女人妻精品中文字幕| 老司机福利观看| 亚洲中文日韩欧美视频| 亚洲电影在线观看av| 欧美av亚洲av综合av国产av| 亚洲美女视频黄频| 偷拍熟女少妇极品色| 成年人黄色毛片网站| 亚洲av不卡在线观看| 免费人成在线观看视频色| 日本熟妇午夜| 1000部很黄的大片| eeuss影院久久| a级毛片a级免费在线| 男人的好看免费观看在线视频| 人妻久久中文字幕网| 脱女人内裤的视频| 一级黄色大片毛片| 国产精品久久久久久亚洲av鲁大| 欧美午夜高清在线| 欧美成人一区二区免费高清观看| 国产精品 国内视频| 国产三级黄色录像| 夜夜爽天天搞| 最近最新免费中文字幕在线| 老司机午夜十八禁免费视频| 久久国产精品人妻蜜桃| 少妇高潮的动态图| 亚洲真实伦在线观看| 嫩草影院精品99| 日本在线视频免费播放| 91久久精品电影网| 制服丝袜大香蕉在线| 亚洲人成网站在线播| 一区二区三区激情视频| 中文字幕人妻丝袜一区二区| 亚洲国产色片| 99热这里只有是精品50| 色老头精品视频在线观看| 亚洲av成人不卡在线观看播放网| 国产精品一及| 18禁美女被吸乳视频| 久久午夜亚洲精品久久| 成人亚洲精品av一区二区| 亚洲成av人片在线播放无| 91久久精品电影网| 黄色女人牲交| 90打野战视频偷拍视频| 午夜老司机福利剧场| 特大巨黑吊av在线直播| 看黄色毛片网站| 亚洲一区二区三区色噜噜| 婷婷六月久久综合丁香| 成年人黄色毛片网站| 99久久精品一区二区三区| 亚洲人成网站在线播放欧美日韩| 午夜影院日韩av| 亚洲熟妇中文字幕五十中出| 男女视频在线观看网站免费| 99久久精品国产亚洲精品| 精品久久久久久久久久免费视频| 精品福利观看| 2021天堂中文幕一二区在线观| 有码 亚洲区| 美女cb高潮喷水在线观看| 欧洲精品卡2卡3卡4卡5卡区| 搞女人的毛片| 99国产极品粉嫩在线观看| 国产欧美日韩精品亚洲av| 日本 欧美在线| 久久草成人影院| 老司机在亚洲福利影院| 国产真人三级小视频在线观看| 18禁美女被吸乳视频| av片东京热男人的天堂| 国产 一区 欧美 日韩| 亚洲av五月六月丁香网| 国产一区二区在线观看日韩 | 亚洲黑人精品在线| 国产精品 欧美亚洲| 日韩精品中文字幕看吧| 色噜噜av男人的天堂激情| 99国产精品一区二区蜜桃av| 99久久综合精品五月天人人| 搞女人的毛片| 欧美在线黄色| 国产伦人伦偷精品视频| 美女高潮的动态| 搞女人的毛片| 欧美av亚洲av综合av国产av| 欧美一区二区亚洲| 久久久国产成人精品二区| 久久精品国产综合久久久| 91字幕亚洲| 色综合站精品国产| 国产精品美女特级片免费视频播放器| 欧美最黄视频在线播放免费| 99久久久亚洲精品蜜臀av| 变态另类丝袜制服| 欧美黄色淫秽网站| 99久久久亚洲精品蜜臀av| 两个人视频免费观看高清| 精品国内亚洲2022精品成人| 身体一侧抽搐| 99在线人妻在线中文字幕| 99在线视频只有这里精品首页| 午夜精品一区二区三区免费看| 午夜福利在线观看免费完整高清在 | 少妇的逼好多水| x7x7x7水蜜桃| 国产亚洲精品一区二区www| 村上凉子中文字幕在线| 天美传媒精品一区二区| 熟女少妇亚洲综合色aaa.| 成年版毛片免费区| avwww免费| 欧美成人性av电影在线观看| 免费看日本二区| 日韩国内少妇激情av| 精品久久久久久,| 18禁美女被吸乳视频| 日本三级黄在线观看| 欧美不卡视频在线免费观看| 久久精品国产亚洲av香蕉五月| 欧美一区二区亚洲| 成熟少妇高潮喷水视频| 精品福利观看| 一区福利在线观看| 色播亚洲综合网| 级片在线观看| 精品国产亚洲在线| 亚洲av日韩精品久久久久久密| 国产成人av教育| 国产亚洲精品综合一区在线观看| 国产精品影院久久| 琪琪午夜伦伦电影理论片6080| 精品熟女少妇八av免费久了| 怎么达到女性高潮| 国产野战对白在线观看| 精品免费久久久久久久清纯| 成年女人毛片免费观看观看9| 欧美激情久久久久久爽电影| 少妇丰满av| 中文字幕熟女人妻在线| 91麻豆av在线| 日韩人妻高清精品专区| 最后的刺客免费高清国语| 欧美乱色亚洲激情| 国产国拍精品亚洲av在线观看 | 国产成人av激情在线播放| 国内精品美女久久久久久| 波多野结衣高清作品| 国产精品美女特级片免费视频播放器| 中文字幕av在线有码专区| 久久精品人妻少妇| 国产黄色小视频在线观看| 亚洲久久久久久中文字幕| 一区二区三区激情视频| 国产成人福利小说| 亚洲欧美激情综合另类| 成人国产综合亚洲| 久久香蕉国产精品| 久久伊人香网站| 亚洲电影在线观看av| 波多野结衣高清作品| 一本一本综合久久| 99热精品在线国产| 99国产极品粉嫩在线观看| 国产伦人伦偷精品视频| 国产成人啪精品午夜网站| 三级国产精品欧美在线观看| 国产欧美日韩精品亚洲av| 97超级碰碰碰精品色视频在线观看| 国产伦在线观看视频一区| 在线观看一区二区三区| 桃红色精品国产亚洲av| 少妇的逼水好多| 无遮挡黄片免费观看| 深爱激情五月婷婷| 色av中文字幕| 全区人妻精品视频| a级毛片a级免费在线| 国产精品久久久久久久久免 | 亚洲人成网站在线播放欧美日韩| 哪里可以看免费的av片| 成年女人毛片免费观看观看9| 麻豆成人av在线观看| 色综合站精品国产| 色av中文字幕| 身体一侧抽搐| 淫秽高清视频在线观看| 国产成人啪精品午夜网站| 亚洲成人久久性| 欧美成人性av电影在线观看| 日本一本二区三区精品| 欧美日本亚洲视频在线播放| 国产成人影院久久av| 国产精品国产高清国产av| 有码 亚洲区| 成人18禁在线播放| 波多野结衣高清无吗| 99久久无色码亚洲精品果冻| 怎么达到女性高潮| 国产综合懂色| 欧美日本视频| 最新中文字幕久久久久| 99在线视频只有这里精品首页| 在线国产一区二区在线| 国产精品av视频在线免费观看| 99久久精品国产亚洲精品| 国产精品98久久久久久宅男小说| 国产av不卡久久| www国产在线视频色| 成人特级黄色片久久久久久久| 综合色av麻豆| 亚洲精品乱码久久久v下载方式 | 香蕉丝袜av| 观看免费一级毛片| 日本五十路高清| 亚洲精品久久国产高清桃花| 中文字幕av在线有码专区| 日韩 欧美 亚洲 中文字幕| 亚洲欧美日韩高清专用| 亚洲欧美日韩东京热| 一二三四社区在线视频社区8| 国产精品亚洲av一区麻豆| 亚洲中文字幕日韩| 香蕉丝袜av| 啦啦啦观看免费观看视频高清| 日韩 欧美 亚洲 中文字幕| 成人av在线播放网站| h日本视频在线播放| 淫秽高清视频在线观看| 天堂影院成人在线观看| 女人高潮潮喷娇喘18禁视频| 欧美乱妇无乱码| 色老头精品视频在线观看| 淫秽高清视频在线观看| 色尼玛亚洲综合影院| 国产成人系列免费观看| 日本黄色片子视频| 大型黄色视频在线免费观看| 国产亚洲精品久久久com| 少妇熟女aⅴ在线视频| 久久香蕉国产精品| 99热这里只有是精品50| 黄色女人牲交| 99久国产av精品| 女人高潮潮喷娇喘18禁视频| 1024手机看黄色片| 三级男女做爰猛烈吃奶摸视频| 午夜亚洲福利在线播放| 真实男女啪啪啪动态图| 一a级毛片在线观看| xxxwww97欧美| 三级国产精品欧美在线观看| 老鸭窝网址在线观看| 搞女人的毛片| 久久精品综合一区二区三区| 高清在线国产一区| 国产真人三级小视频在线观看| 亚洲人成伊人成综合网2020| 亚洲专区国产一区二区| 18禁美女被吸乳视频| 国产伦一二天堂av在线观看| 美女免费视频网站| 在线观看日韩欧美| 午夜精品一区二区三区免费看| 老熟妇仑乱视频hdxx| 久久九九热精品免费| 夜夜看夜夜爽夜夜摸| 一区二区三区免费毛片| 99久久九九国产精品国产免费| 制服丝袜大香蕉在线| 香蕉久久夜色| 国产av不卡久久| 亚洲精品乱码久久久v下载方式 | 99在线视频只有这里精品首页| 国产亚洲精品久久久久久毛片| 欧美在线一区亚洲| 熟妇人妻久久中文字幕3abv| 淫秽高清视频在线观看| 在线国产一区二区在线| 国产欧美日韩精品亚洲av| av黄色大香蕉| 午夜福利欧美成人| 久久久国产成人精品二区| 99国产极品粉嫩在线观看| 国产欧美日韩一区二区精品| av天堂中文字幕网| 久久亚洲真实| 伊人久久精品亚洲午夜| 日韩欧美免费精品| 熟妇人妻久久中文字幕3abv| 听说在线观看完整版免费高清| 高潮久久久久久久久久久不卡| 99热只有精品国产| 99热这里只有是精品50| 午夜免费观看网址| 色尼玛亚洲综合影院| 久久婷婷人人爽人人干人人爱| 亚洲av电影不卡..在线观看| 91av网一区二区| 国产精品亚洲av一区麻豆| 2021天堂中文幕一二区在线观| 国产日本99.免费观看| 此物有八面人人有两片| bbb黄色大片| 国产爱豆传媒在线观看| 一级作爱视频免费观看| 亚洲成人久久性| 啪啪无遮挡十八禁网站| 国产亚洲精品久久久久久毛片| 日韩欧美精品免费久久 | 天堂av国产一区二区熟女人妻| 国产精品一区二区三区四区久久| xxx96com| 国产精品一及| 中文字幕人妻熟人妻熟丝袜美 | 亚洲欧美日韩高清在线视频| 国内揄拍国产精品人妻在线| 欧美黄色淫秽网站| 2021天堂中文幕一二区在线观| 美女 人体艺术 gogo| 国产高清视频在线播放一区| 国产淫片久久久久久久久 | 久久人妻av系列| 他把我摸到了高潮在线观看| 成人亚洲精品av一区二区| 久久婷婷人人爽人人干人人爱| 尤物成人国产欧美一区二区三区| avwww免费| 亚洲人成网站在线播| 亚洲成人精品中文字幕电影| 免费在线观看成人毛片| 神马国产精品三级电影在线观看| 美女 人体艺术 gogo| 男人舔奶头视频| x7x7x7水蜜桃| 国产精品影院久久| 性欧美人与动物交配| 亚洲精品成人久久久久久| 欧洲精品卡2卡3卡4卡5卡区| 色吧在线观看| 真人做人爱边吃奶动态| 超碰av人人做人人爽久久 | 午夜两性在线视频| 亚洲精品久久国产高清桃花| 又紧又爽又黄一区二区| 精品久久久久久久末码| 国产老妇女一区| 免费观看的影片在线观看| 国内精品美女久久久久久| 成年人午夜在线观看视频 | 美女黄网站色视频| 日韩欧美一区视频在线观看 | 亚洲国产av新网站| 老师上课跳d突然被开到最大视频|