一种可并行的贝叶斯集合在线学习算法

摘要：

无论是Boosting还是Bagging算法,在使用连续样本集进行分类器集合学习时,均需缓存大量数据,这对大容量样本集的应用不可行.本文提出一种基于贝叶斯集合的在线学习算法BEPOL,在保持Boosting算法加权采样思想的前提下,只需对样本集进行一次扫描,就可实现对贝叶斯集合的在线更新学习.算法针对串行训练时间长、成员相关性差的缺点,采用了并行学习的思想,通过将各贝叶斯分量映射到并行计算结构上,提高集合学习的效率.通过UCI数据集的实验表明,算法BEPOL具有与批量学习算法相近的分类性能和更小的时间开销,这使得算法对某些具有时间和空间限制的应用,如大型数据集或连续型数据集应用尤其有效.

关键词：贝叶斯分类器、集合、在线学习

所属期刊栏目：33

分类号：TP3(计算技术、计算机技术)

资助基金：同济大学校科研和教改项目2005BB2224

在线出版日期：2006-06-08（万方平台首次上网日期，不代表论文的发表时间）

页数：共3页

页码：159-161