基于直觉模糊集的集成学习算法
为提高传统机器学习算法的分类精度和泛化能力,提出一种基于直觉模糊集的集成学习算法.根据传统分类器分类精度构建直觉模糊偏好关系矩阵,确定分类器权重,结合多属性群决策方法确定样本分类结果.在UCI中的7个数据集上进行测试,与目前流行的传统分类算法以及集成学习分类算法SVM,LR,NB,Boosting,Bagging相比,提出的算法分类平均精度分别提升了1.91%,3.89%,7.80%,3.66%,4.72%.该算法提高了传统分类方法的分类精度和泛化能力.
直觉模糊集、集成学习、分类、多属性群决策
48
TP301.6(计算技术、计算机技术)
国家自然科学基金;测绘遥感信息工程国家重点实验室重点开放基金;江苏省自然科学基金;中央高校自主科研青年项目
2021-07-13(万方平台首次上网日期,不代表论文的发表时间)
共6页
270-274,280