基于边际的组合分类器选择算法

摘要：

研究表明,具有较大边际分别的组合分类器泛化性能更高.根据该结论,论文构造了一个新的基于边际的度量指标(MM)以充分考虑基分类器和组合分类器的分类能力,进而提出了一种新的组合分类器选择方法.该方法初始化组合分类器为空(或满),迭代的加入(或移除)具有最大(或最小)MM值的分类器,以降低组合分类器规模并提高它的分类准确率.在随机选择的24个UCI数据集上的实验表明,与其他一些高级的贪心组合选择算法相比,该方法具有更好的泛化能力.

关键词：组合分类器学习、组合选择、度量指标

所属期刊栏目：30

分类号：TP391.4(计算技术、计算机技术)

资助基金：国家自然科学基金项目61402393,61501393;河南省科技计划项目142300410374,172102210454

在线出版日期：2017-08-22（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：469-473