基于K近邻统计的非线性AdaBoost算法

摘要：

AdaBoost是数据挖掘领域最常见的提升算法之一.对传统AdaBoost将各个基分类器线性相加所存在的不足进行分析,并针对AdaBoost各个弱分类器的加权方式提出新的改进,将传统的线性相加改为非线性组合,把从学习过程得到的固定不变的权重系数改为由预测阶段的具体实例决定的动态参数,该参数基于待测实例K近邻的分类结果统计,从而使各个基分类器的权重更贴近当前待测实例的实际可靠度.实验结果表明,与传统AdaBoost相比,提出的非线性改进算法对不同数据集均有不同程度提升,提升最高的达到了7个百分点.由此证明,提出的改进是一种更加准确的分类算法,对绝大多数数据集均能得到更高的分类准确率.

关键词：AdaBoost、数据挖掘、分类器、非线性、K近邻

所属期刊栏目：35

分类号：TP181;TP391.4(自动化基础理论)

资助基金：国家863计划项目2013AA01A211

在线出版日期：2015-11-09（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：2579-2583