分类器动态组合及基于分类器组合的集成学习算法
针对目前基于分类器静态组合的集成学习算法难于推广的问题,根据组合分类器分类错误最小化原则,研究了组合系数随分类器输出变化而变化的分类器动态组合理论,包括组合系数的选取、组合分类器分类错误率的估计等.证明了在分类器相互独立时,一些动态组合分类器等价于Bayes统计推断.提出了基于分类器组合的通用集成学习算法,并把AdaBoost、Real AdaBoost、Gentle AdaBoost算法推广到了多分类问题.证明了按照集成学习算法得到的分类器,其动态组合的有效性可不依赖于分类器的独立性,这支撑了基于分类器相互独立假设来研究分类器组合的有用性.最后,通过UCI数据实验验证了动态组合的有效性.
分类器动态组合、集成学习、多分类问题、AdaBoost
43
TP391(计算技术、计算机技术)
国家"863"计划资助项目2008AAO1Z402;四川省重点科技计划资助项目2008SZ0100,2009SZ0214
2017-01-18(万方平台首次上网日期,不代表论文的发表时间)
共8页
58-65