元学习策略及性能评价

摘要：

为提高分类系统的性能,提出一种统一多种元学习算法的元学习框架,定义并描述了并行和串行两种组合方式.由基分类器的分类结果构成新属性,并加入到特征向量中以形成元数据.通过扩展特征向量,元学习增强了对假设空间的表达能力,降低了系统的偏差.在加州大学提供的标准数据集上对元学习策略进行了实验研究,结果表明:与多数投票、最大规则、最小规则等融合方法实现的多分类器系统相比,并行和串行组合在所用数据集上的平均分类错误率可分别降低39.12%和40.56%,且在n分交叉验证中n值的增加并不能改进分类性能,串行组合中的基分类器的顺序对分类错误率没有显著影响.

关键词：模式分类、多分类器系统、元学习

所属期刊栏目：39

分类号：TP391(计算技术、计算机技术)

资助基金：国家高技术研究发展计划863计划2003AA412020;国防科工委预研项目201010302

在线出版日期：2005-07-14（万方平台首次上网日期，不代表论文的发表时间）

页数：共4页

页码：570-573