基于CMAES集成学习方法的地表水质分类

摘要：

为了提高人民生活质量,政府部门不断加强水质管理,然而人工分类方法无法满足实时处理的需求,传统机器学习方法的分类准确率又不够高.集成学习使用多种学习算法来获得比单一学习算法更好的预测性能.首先,对集成学习进行概述,简要介绍了Bagging和Boosting算法,并提出基于协方差自适应调整的进化策略算法(CMAES)的集成学习方法.接着,介绍了数据处理方式、模型评估方法和评价指标.最后,用CMAES集成学习方法对逻辑回归、线性判别分析、支持向量机、决策树、完全随机树、朴素贝叶斯、K-邻近算法、随机森林、完全随机树林、深度级联森林十种模型进行集成.实验结果表明,CMAES集成学习方法优于所有其他模型,该方法将继续被应用到未来的研究之中.

关键词：水质分类、Boosting、基于协方差自适应调整的进化策略算法(CMAES)、集成学习、参数优化

所属期刊栏目：14

分类号：TP311(计算技术、计算机技术)

资助基金：The National Natural Science Foundation of China under Grant Nos. 61872190, 61403208 国家自然科学基金

在线出版日期：2020-03-31（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：426-436