基于混合多样性生成与修剪的集成单类分类算法
针对传统集成学习方法直接应用于单类分类器效果不理想的问题,该文首先证明了集成学习方法能够提升单类分类器的性能,同时证明了若基分类器集不经选择会导致集成后性能下降;接着指出了经典集成方法直接应用于单类分类器集成时存在基分类器多样性严重不足的问题,并提出了一种能够提高多样性的基单类分类器混合生成策略;最后从集成损失构成的角度拆分集成单类分类器的损失函数,针对性地构造了集成单类分类器修剪策略并提出一种基于混合多样性生成和修剪的单类分类器集成算法,简称为PHD-EOC。在UCI标准数据集和恶意程序行为检测数据集上的实验结果表明,PHD-EOC算法兼顾多样性与单类分类性能,在各种单类分类器评价指标上均较经典集成学习方法有更好的表现,并降低了决策阶段的时间复杂度。
机器学习、单类分类、集成单类分类、分类器多样性、集成修剪、集成学习
TP181(自动化基础理论)
国家自然科学基金61272280,41271447,61272195;教育部新世纪优秀人才支持计划NCET-12-0919;中央高校基本科研业务费专项资金K5051203020, K5051303016, K5051303018, BDY081422, K50513100006;西安市科技局项目CXY13416资助课题
2015-03-09(万方平台首次上网日期,不代表论文的发表时间)
共8页
386-393