一种新的组合分类器学习方法

摘要：

提出了一种新的基于决策树的组合分类器学习方法FL(Forest Learning).与bagging和adaboost等传统的组合分类器学习方法不同,FL不采用抽样或加权抽样,而是直接在训练集上学习一个森林作为组合分类器.与传统组合学习方法独立地学习每个基分类器,然后把它们组合在一起的做法不同,FL学习每个基分类器时都尽可能地考虑对组合分类器的影响.首先,FL使用传统的方法构建森林的第一棵决策树;然后,逐一构建新的决策树并将其添加到森林中.在构建新的决策树时,结点的每次划分都考虑对组合分类器的影响.实验结果表明,与传统的组合分类器学习方法相比,FL在大部分数据集上都能构建出性能更好的组合分类器.

关键词：森林学习、边界理论、贡献增益、特征变换

所属期刊栏目：41

分类号：TP181(自动化基础理论)

资助基金：863项目:大规模汉语词义知识相关特征提取与构建工程2012AA011101;河南科技厅重点项目:基于自适应蚁群算法的传感器网络节能覆盖研究12A520035

在线出版日期：2014-09-16（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：283-289