朱波
- 作品数：2 被引量：2H指数：1
- 供职机构：天津工业大学计算机科学与软件学院更多>>
- 发文基金：天津市自然科学基金国家自然科学基金更多>>
- 相关领域：自动化与计算机技术更多>>
- 平均分布集成策略:一种新的分类器融合方法被引量：2
- 2016年
- 集成学习方法已经广泛应用于人工智能的各个研究领域,其显著的性能吸引了大量的研究者.分类器融合是集成学习中的一个核心问题,研究者已提出多种不同的分类器融合方法.本文提出了分类器平均分布的概念,即通过调整基分类器的权重,使它们在不同样本上的表现尽可能的平均.这种策略为那些只被少数分类器正确预测的样本提供了机会.此外,本文提出了分类器等价系数的概念,即如何衡量两个准确率不同的分类器在集成学习中的权重.通过严格的十折叠交叉检验,在12个UCI数据集上的实验表明,平均分布集成算法优于简单多数投票策略、LP-Adaboost和LP1算法.
- 朱波陈科徐君张振
- 关键词：人工智能分类器融合
- 递减样本集成学习算法
- 2016年
- 从多个弱分类器重构出强分类器的集成学习方法是机器学习领域的重要研究方向之一。尽管已有多种多样性基本分类器的生成方法被提出,但这些方法的鲁棒性仍有待提高。递减样本集成学习算法综合了目前最为流行的boosting与bagging算法的学习思想,通过不断移除训练集中置信度较高的样本,使训练集空间依次递减,使得某些被低估的样本在后续的分类器中得到充分训练。该策略形成一系列递减的训练子集,因而也生成一系列多样性的基本分类器。类似于boosting与bagging算法,递减样本集成学习方法采用投票策略对基本分类器进行整合。通过严格的十折叠交叉检验,在8个UCI数据集与7种基本分类器上的测试表明,递减样本集成学习算法总体上要优于boosting与bagging算法。
- 周羿陈科朱波刘浩王宇凡武继刚孙学梅
- 关键词：置信度
