文摘
针对大型评估误差的问题和低精度确定现有的关键程度的评价指标评价劳动法律效力,本文设计一种劳动法律效能评估算法平权行动反对性别歧视。首先,使用程度,性别歧视的程度,和社会影响,确定企业实践和政府监督管理作为劳动法律效力的评价指标,并在此基础上,劳动对性别歧视的法律有效性评价体系设计。然后,评价指标的判断矩阵构造劳动反性别歧视的法律效力。归一化后,计算评价指标的权重熵方法,为后续研究奠定了基础。最后,提高贝叶斯网络用于分类树劳动法律效能评估指标,并确定了指标之间的相关性通过斯皮尔曼等级相关系数。最后,劳动法律效力评价模型对性别歧视的目的是通过聚类算法,对性别歧视和劳动法律效能评估指标输入完成有效的评估。实验结果表明,评估算法的误差很小,和确定的准确性的关键程度评价指标很高。
1。介绍
纵观历史,人类社会一直饱受种族,种族和性别歧视了很长一段时间。歧视以不同形式存在于社会生活的许多领域,如性别歧视、就业歧视、地域歧视、健康歧视、年龄歧视、户籍歧视、学历歧视、面部歧视、宗教歧视、民族歧视,歧视在中国(1]。
目前,中国国内学术界普遍认为性别歧视是一个独家基于性别的不公平待遇。然而,并没有最终结论如何定义性别歧视。有几个重要的理解:不是所有的性别不平等是性别歧视。微分治疗根据内部需求的职业或工作的特殊需要,需要维护国家安全和公共秩序不属于性别歧视的范围(2]。性别歧视不仅是对女性的歧视,也对男性的歧视和歧视跨性别群体。性别政治本质上是否定和剥夺妇女基本人权和自由。Antigender歧视保护妇女人权具有重要意义。就业性别歧视是我们社会所面临的一个非常常见的问题。男人和女人有不同的价值识别基于性别差异的劳动力市场。有一个严重的劳动力市场中的性别分层,男性和女性之间的经济收入差距继续扩大,和脆弱的倾向的女性的整体状态也出现。然而,性别差异不构成正当理由性别差异治疗(3]。目前,女性通常受到社会歧视的重要原因在于公正的社会分工模式”以外的男人和女人,以及社会现实,生育责任主要是由女性承担。现实要求我们尽快制定有关反歧视法律法规,认识到歧视的存在,深深理解性别平等歧视造成的伤害,促进antigender歧视工作的发展通过清晰地定义组成元素的歧视和加强立法和司法实践,加快司法改革和创新,并建立一个完善的系统保护妇女权利,改变和提高社会价值,肯定女性的家务劳动的社会价值,建立健全和完善生育保障制度,以改变妇女的分娩造成的劣势和发展情况,促进性别平等(4]。
性别平等是人权问题,性别不平等的本质是权利的不平等5]。追求性别平等是社会和谐的一个重要组成部分。构建和谐世界需要加强保护人权,特别是弱势群体。近年来,在相关的立法工作已经取得了很大的进步,保护妇女的权利和antigender歧视在中国,已形成的基础上,中华人民共和国的宪法和法律的中华人民共和国妇女权益的保护。中国宪法规定的基本原则,法律面前人人平等和定义,妇女享有与男子平等的权利在政治、经济、文化、社会和家庭生活的平等权利6]。在国内法律制度的层面上,中国加强相关立法禁止性别歧视在许多社会领域如劳动、家庭生活、教育、政治参与和致力于促进性别平等。中国人民法律保护残疾人采用1990年和2008年修订后的规定,歧视的残疾和使用媒体侮辱或其他手段,侵犯,或禁止轻视残疾人人格:劳动法律在1994年颁布,规定,工人不受任何歧视在就业的国籍、种族、性别、宗教信仰:在1995年,政府发布了第一个程序的行动,促进性别平等。中国妇女发展纲要(1995 - 2000)与大纲密切关注中国女性的发展(2001 - 2010),第二个国家2001年的行动计划,促进性别平等。它有34主要目标和100年提出战略措施六个方面:妇女和经济,妇女参与决策和管理,妇女和教育、妇女和健康、妇女和法律,妇女和环境。2001年婚姻法明确包括首次禁止家庭暴力:法律保护女性的权益在2005年新修订的,强调妇女和男人有平等的权利在政治、经济、文化和教育,为充分发挥妇女在社会主义现代化建设中的作用,禁止歧视、虐待、遗弃,和切割的女性,并促进性别平等:就业促进法的基础上制定了2007年劳动法;进一步明确要求雇主统一提供平等的就业机会和公平的就业条件,工人和禁止拒绝雇佣女性性别的基础上,提高女性的就业标准,或设置其他歧视性的限制。
这些法律规定的颁布后,评估其有效性是衡量的关键法律规定的角色。因此,本文设计一个评价算法的劳动法律效力。
2。设计的劳动法律效能评估算法平权行动反对性别歧视
在本节中,我们确定劳动法律效力的评价指标,构建系统反对性别歧视。接下来,劳动法律效力评价指标的权重计算反对性别歧视。然后,我们也解释了该算法的设计反对性别歧视。
2.1。劳动法律效力的确定评价指标和系统建设反对性别歧视
为了实现劳动法律效能评估算法的设计在本文中,首先,我们确定劳动法律效力评价指标对性别歧视和建立一个有效的评估系统根据劳动法律效力评价指标确定反对性别歧视。在本部分中,根据现有的研究,评价指标排序的劳工法律效力,和四个关键指标最能反映出法律效力的基础上选择评价指标的优缺点,以便完成的决心劳动法律效力的评价指标。在选择法律有效性指标,性别歧视的程度,社会影响、企业实践、和政府监督管理是决定工业法律效力的评价指标。
根据确定的法律有效性指标,这些指标是由支安打的权威算法来验证指标由该方法符合当前的法律效率评价(7]。评价指标集的临界通过点击算法,和最重要的指标是确定这些指标之一。这些指标被设计作为根集R,其中包括一个高比例的权威保证。一组扩展到计算新的评价指标,通过不断迭代的权威8]。假设指标在这个集合
每个索引的权威 ,和更高的关键指标 :
在(2),代表的关键程度评级指标的价值。
在(3),代表了评级指数收益率值集。
根据上面的计算中,法律的权威程度确定上述四项指标的效率。基于四个关键评价指标,构建多层次评价指标体系,如图1。
关键过程的计算算法的评价指标,确定评价指标的劳动反性别歧视的法律效力和系统建设,打击度是用来确定程度的性别歧视,社会影响、企业实践、和政府监督管理作为劳动法律效力的评价指标研究。劳动法律效力的评价体系与性别歧视。
2.2。重量计算的劳动法律效力评价指标反对性别歧视
在上述评价指标的劳动法律对性别歧视以及评价过程的有效性,每个指标起着不同的作用和影响。为了保证评价的科学性6),不同的权重将未使用的指标。使用熵权法确定指标权重。评价指标的判断矩阵定义为 。归一化后,得到指标的相对隶属函数公式:
在(4),矩阵和这个词 , 下的最小和最大索引值是相同的指数,分别。
计算评价指标的熵熵的定义,以及计算公式可以表示为 在哪里代表单个指标的比例加入会员所有索引。熵权的索引可以计算
替换的计算结果(5)到公式(6)可以计算熵的计算结果的评价指标和指标权重的总和等于1。替换的计算结果(5)到公式(6)可以计算熵的计算结果的评价指标和指标权重的总和是1。
重量计算的劳动法律效能评估指标反对性别歧视、劳动法律效能评估指标的评价矩阵对性别歧视。正常化后,重量(9)计算评价指标的熵方法,为后续研究奠定基础。
2.3。设计的评估算法对性别歧视的劳动法律效力
根据上述评价指标的权重的劳动法律效力反对性别歧视,评估算法设计劳动反性别歧视的法律效力。在这篇文章中,贝叶斯算法设计劳动法律效能评估算法反对性别歧视。朴素贝叶斯是一个简单的技术来构建分类器模型,指定类标签问题实例。在这方面,没有一个单一的算法,但是一个家庭的算法基于一个共同的原则。一个天真的传统贝叶斯网络在处理复杂系统状态有很大的优势的问题,但传统的贝叶斯网络的假设也给其应用带来了一定的局限性。主要原因是贝叶斯网络是一个NP困难问题。有许多研究对象的属性时,贝叶斯网络学习没有任何约束的计算问题将变得非常巨大。为了提高方法,许多专家和学者正在研究贝叶斯网络方法。弗里德曼把贝叶斯网络变成了树增强朴素贝叶斯分类器(缩写为树增强朴素贝叶斯)[10]。树增强的贝叶斯方法是改进朴素贝叶斯网络的方法。树与朴素贝叶斯网络相比,增强了贝叶斯方法在假设的要求有一定的放松,它可以结合的优点简单朴素贝叶斯和贝叶斯网络的简单而清楚地表达变量之间的依赖。然后,它可以改善方法的分类能力。树增强朴素贝叶斯是一个很好的分类模型具有良好的综合性能。它平衡分类过程中的准确性和学习效率。基于树增强的贝叶斯网络分类性能也明显高于传统基于朴素贝叶斯(11]。
约束的贝叶斯网络结构采用劳动法律效能评估
在公式(7),x代表一组离散的属性变量,C代表类变量。没有父节点这个变量。所有其他的类变量是父属性值变量x,最多一个属性变量。即以外的任何属性变量C类变量有两个父母,和父母之一是类变量12]C;假设代表一个属性变量的父母x我,它可以获得:
朴素贝叶斯模型图可以增强基本树根据上面的描述,如图2。
与贝叶斯网络模型相比,树增强朴素贝叶斯模型只能有两个父节点为每个节点最多,除了内部节点,其中只有一个父节点可以是一个nonclass变量和类变量必须是父节点的其他变量。这主要是为了减少搜索空间和解决“状态爆炸”的问题在一定程度上。在贝叶斯网络中,条件概率表将增加与父节点的数量的增加,这可能成为一个“状态爆炸”的问题。限制的父节点数小于2可以有效地解决“状态爆炸”问题造成的大量的父节点(13]。
对任何未知类别,评价指标需要分类的示例
法律效力的索引来评估分类树增强的贝叶斯方法。如果最大的类标签,按照公式计算确定雅步,有
其中,评价集可以推导出根据树增强朴素贝叶斯的结构。
根据劳动法律效力的分类评价指标根据树增强贝叶斯算法,每个评价指标的相关性分析来实现算法的设计。相关分析是测量两个或两个以上变量的相关性。在微博影响力评价算法的研究,相关系数在统计方法常被用来衡量算法的关联和差异。本文选择斯皮尔曼等级相关系数来测量曲柄之间的关联算法和现有的微博影响算法(14]。
斯皮尔曼等级相关系数是一个指数来衡量两个参数之间的依赖关系,查尔斯·斯皮尔曼提出的。斯皮尔曼等级相关系数最大的特点是,可以不管的分布计算的相关性参数和样本的大小。计算公式如下:假设有数据集X和Y,然后
在(11),代表的关键程度排名在评价指标集,代表了中等程度的排名u在数据集代表的意思是关键程度的评价指标,以及数据集代表了二级学位。为了简化评价指标计算简单的阶段,这个公式是减少
在(12),代表值的范围。当价值越大代表越评价指标之间的关联程度,评价指标的相关性反映了简单的评价。
根据上述确定的相关评价指标,本文设计劳动法律效力的评价模型对性别歧视的帮助下聚类算法和输入的确定评价指标高度相关,实现最终的有效评估。k - means聚类算法的主要原则如下:随机选择k点的粒子初始聚类,然后计算每个数据点的距离k粒子,收集数据点到最近的粒子,遍历所有的数据对象,并得到k类别的第一个集群。计算新类中心根据最后的聚类结果。如果类中心之间的距离,最后聚类的类中心很小,这表明该算法已经收敛。否则,重新计算每个数据点的距离k粒子和每个点到新粒子类进行分类并继续迭代。当所有新粒子和最后一个粒子之间的距离小于一个给定的初始值,这意味着所有粒子类聚合和局部最优解,则停止迭代。
在一个给定的一组评价指标,每组代表一个评价指标元素,每个元素包含多个评价指标的属性。模糊聚类和C类来确定评价指标,设置
代表评价指标的质心距离的公式。在模糊划分,每个评价指标不能严格地划分或属于一个类。它需要分类根据评价隶属度。在这个时间是统一的结果 在哪里代表质量质心之间的距离数据统一后,表明模糊指数。
基于此基础上,我们设计劳动法律效力评价模型反对性别歧视。首先,初始化评价指标的类别,并将模糊数设置为米迭代停止阈值的计算,当迭代的最大数量l模糊划分矩阵是U,得到:
然后,这个模型评价的结果和结果更新
在(16),输出最终的效能评估。
基于上述分析,劳动法律效能评估算法的设计实现反对性别歧视。整个评估过程如图3。
图3解释了劳动法律效力的评价算法。初始化评价指标,通过模糊计算指标权重统一指数成员。如果评估已成功构建的集群模型,它给结果和停止的过程。如果集群模型尚未构建成功,再次重复这个过程得到有效的输出。劳动法律效能评估算法设计中对性别歧视,首先,这棵树是用来提高贝叶斯网络分类劳动法律效能评估指标,以及指标之间的相关性是由斯皮尔曼等级相关系数。最后,劳动法律效力评价模型对性别歧视是由聚类算法设计。输入劳工法律效力的评价指标与性别歧视进去完成有效的评估。
3所示。实验分析
本节的目的是验证提出的生产力和验证工作。首先,描述的环境和条件进行实验。然后,实验索引设计讨论。最后,实验的结果进行了分析和研究。
3.1。实验环境
为了验证本文设计的算法的有效性,进行了实验分析。在实验中,性别歧视投诉的数据在企业招聘2020年通过网络收集和收集的数据的数量是1000。在实验中,1000块的数据收集在一个地方政府网站因为性别歧视的监督不足,通过网上问卷调查的形式确定1000年的相关数据与工作相关的性别歧视。样本训练数据集是3000,2000块的正能量数据选择。在实验中,实验结果是由数据统计软件集成。如图收集的数据的类型4。
3.2。实验指标设计
基于上述实验样本数据集确定,实验比较和分析了基于系统的效能评估方法模拟大数据,统计数据的可靠性评价方法基于鲁棒主成分回归,和方法。在这项实验中,评价误差和精度的关键程度的评价指标被作为索引。
3.3。实验结果分析
为了验证这种方法的有效性评价的劳动法律效力反对性别歧视基于样本数据,实验比较和分析了基于系统的效能评估方法模拟大数据,统计数据的可靠性评价方法基于鲁棒主成分回归,并评价该方法的误差在样例数据。结果如图所示5。
通过分析实验结果图5可以看出,评估样本数据的不断增加,有一些差异评估错误的样本数据使用效率评价方法基于系统模拟大数据,统计数据的可靠性评价方法基于鲁棒主成分回归,和方法。当样本数据大小是500,本文评价方法的误差约为2.9%,评价基于系统仿真的效率评价方法误差大数据是6.9%,和评价误差的统计数据的可靠性评价方法基于鲁棒主成分回归约为8.9%。当样本数据大小是1000,本文评价方法的误差约为1.3%,评价基于系统仿真的效率评价方法误差大数据是5.1%,和评价误差的统计数据的可靠性评价方法基于鲁棒主成分回归约为6.1%。从评价结果曲线,可以看出,评价该方法的误差很低,验证该方法是可行的。
为了进一步验证该方法的有效性,基于系统的效能评估方法模拟大数据,统计数据的可靠性评价方法基于鲁棒主成分回归,和准确性的方法确定评价指标的重要程度的样本数据进行了实验分析。结果如图所示6。
通过分析结果数据图6可以看出,增加样本的数量来确定评价指标样本数据的准确性,效率评价方法基于采用系统模拟大数据。有一些差异统计数据的可靠性评价方法,基于稳健主成分回归方法。其中,最高精度的使用这种方法来确定关键程度的评价指标是98%左右,而其他两种方法的准确性是低于这个方法虽然是在一个合理的范围内。因此,验证此方法的有效性。
4所示。结论
为了提高现有生产能力的评估效果的法律有效性评估,本文设计了一个劳动重罪效能评估算法平权行动反对性别歧视。该方法使用热门程度的确定程度的性别歧视,社会影响、企业实践、和政府监督管理作为劳动法律效力的评价指标。在此基础上,评价体系的劳动设计反性别歧视的法律效力,这是构建评价指标的判断矩阵组成的劳动法律效力反对性别歧视。正常化后,熵法计算评价指标的权重,从而为后续研究奠定基础。树增强的贝叶斯网络用于分类劳动法律有效性评价指标,指标之间的相关性是通过斯皮尔曼等级相关系数来决定。最后,劳动法律效力评价模型对性别歧视的目的是通过聚类算法,对性别歧视和劳动法律有效性评价指标输入完成有效的评估。该算法更先进和更好的结果。索引在这个系统更精确地评估和减少不确定性的机会。实验结果表明,该评估算法的误差很小,而确定的准确性的关键程度评价指标高、准确。
数据可用性
使用的数据来支持本研究的发现可以从作者要求。
的利益冲突
作者宣称没有利益冲突。
确认
本文是由国家奖学金基金:“青年骨干教师出国留学项目”(文件号201900850007)。