10.13718/j.cnki.xdzk.2020.06.016
改进的超限学习机及其在不平衡数据中的应用
超限学习机(ELM)作为一种简单高效的学习算法被广泛应用于分类和拟合问题中.但是ELM在训练过程中逼近所有的样本容易造成过拟合,并且单个的ELM在不平衡数据分类上效果欠佳.因此,本文提出了一种新的基于分层交叉验证的集成超限学习机,该算法在训练阶段将集成学习和分层交叉验证相结合:①集成学习通过将若干个网络组合大大提高分类性能;②分层交叉验证最大程度学习样本的分布特点.基于KEEL数据库的不平衡数据分类问题的实验表明,新提出的算法更加稳定并且有更高的分类性能.
分层交叉验证、集成学习、超限学习机、不平衡数据分类
42
TP183(自动化基础理论)
国家自然科学基金项目;中央高校基本科研业务费专项资金项目
2020-06-28(万方平台首次上网日期,不代表论文的发表时间)
共9页
140-148