基于AdaBoost的弹性网型正则化多核学习算法

摘要：

在正则化多核学习中,稀疏的核函数权值会导致有用信息丢失和泛化性能退化,而通过非稀疏模型选取所有核函数则会产生较多的冗余信息并对噪声敏感.针对上述问题,基于AdaBoost框架提出一种弹性网型正则化多核学习算法.在迭代选取基本分类器时对核函数的权值进行弹性网型正则化约束,即混合L1范数和Lp范数约束,构造基于多个基本核最优凸组合的基本分类器,并将其集成到最终的强分类器中.实验结果表明,该算法在保留集成算法优势的同时,能够实现核函数权值稀疏性和非稀疏性的平衡,与L1-MKL和Lp-MKL算法相比,能够以较少的迭代次数获得分类精度较高的分类器.

关键词：集成学习、多核学习、弹性网型正则化、弱分类器、稀疏性

所属期刊栏目：45

分类号：TP18(自动化基础理论)

资助基金：中南大学研究生自主探索创新项目1053320170432

在线出版日期：2019-11-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：189-195