基于特征选择的集成分类器抗噪性能分析
特征选择有助于增强集成分类器成员间的随机差异性,从而提高泛化精度.研究了随机子空间法(Random Sub-space)和旋转森林法(Rotation Forest)两种基于特征选择的集成分类器构造算法,分析讨论了两算法特征选择的方式与随机差异程度之间的关系.通过对UCI数据集引入噪声,比较两者在噪声环境下的分类精度.实验结果表明:当噪声增加及特征关联度下降时,基本学习算法及噪声程度对集成效果均有影响,当噪声增强到一定程度后,集成效果和单分类器的性能趋于一致.
集成分类器、特征选择、随机子空间、旋转森林、抗噪性能
TP181(自动化基础理论)
2012-12-05(万方平台首次上网日期,不代表论文的发表时间)
共4页
161-164