一種基于集成學習的多示例分類模型.pdf

1、多示例分類模型最早是Dietterich等人[1]在研究如何解決制藥業(yè)中選擇哪種分子入藥中提出的一種模型。在多示例學習中，我們直接把標簽賦給多個示例組成的包，而不是包中的示例。如果包中至少有一個正示例，那么我們就把這個包標記為正包，反之，則將這個包標記為負包。到目前為止，已經(jīng)有許多學者對多示例算法學習進行大量的研究，但是如何構(gòu)造高效的多示例學習算法仍然是目前研究的熱點。本論文將從分類精度這方面對多示例分類模型進行研究。
　　 本

2、文通過對多示例學習算法進行研究，發(fā)現(xiàn)只要在單實例學習目標函數(shù)中引入多示例問題的約束，那么傳統(tǒng)監(jiān)督學習方法也能夠在多示例問題中取得比較好的分類能力。此外，考慮到集成學習方法能使傳統(tǒng)監(jiān)督學習算法提高泛化能力，本文在多示例學習模型中引入集成學習思想。實驗結(jié)果表明這種方法可以解決多示例問題，也可以提高多示例學習算法的泛化能力。
　　 關于多示例學習，雖然支持向量機已經(jīng)取得較好的分類能力。但是，用全局數(shù)據(jù)訓練得到的SVM分類模型未必適合個