分類器的選擇性集成及其差異性研究.pdf

1、機器學習是研究讓機器具有學習的能力,集成學習是機器學習的一大研究熱點,是將多個不同的單個個體模型組合成一個最終模型,這些模型就是我們所要生成的分類器。生成這些模型的目的是利用這些個體模型,利用他們之間的差異性,來改善模型的泛化性能。近年來分類器選擇集成方法的應用越來越廣泛,已經(jīng)深入到很多的領域,比如在語音識別、人臉識別、情感識別、文本分類、數(shù)據(jù)挖掘、游戲、遙感圖像分類、醫(yī)療診斷等,在這些方向上受到了廣泛應用。分類器集成利用不同分類器之間

2、的互補性,提高集成后分類器的性能,并且在各自分類性能上分類器集成充分發(fā)揮了每個成員分類器的優(yōu)勢,得到比單個成員分類器都好的分類識別率,其目的是通過對多個互補的分類器識別結果的集成來得到一個高性能的識別系統(tǒng)。具有很大的研究價值,并且也具有很廣的實際應用前景。分類器的差異性和準確性是集成學習的兩個充分必要條件,也是選擇性集成學習的主要依據(jù),通過提高成員分類器的識別率,增加成員分類器的差異性,來達到提高分類器集成系統(tǒng)性能的目的。但是,在體現(xiàn)分

3、類器的多樣性方面分類器集成方法存在著很多不足。為了實現(xiàn)分類器集成系統(tǒng)的最優(yōu)性能,需要生成具有高準確性和差異性的分類器進行集成,二者必須兼顧,同時也需要考慮針對不同類別的樣本采用不同的集成方式。就分類器集成學習中如何提高分類器的準確性,如何提高分類器的差異性這些研究問題進行研究。分析并研究了成員分類器的準確性和差異性的產(chǎn)生,提高集成分類器的識別性能。
　　 本研究主要內容包括：分別從集成學習的兩個階段(個體分類器的生成階段和個體分

4、類器的組合階段)入手,進行了有關集成學習的兩個階段的優(yōu)化處理,來生成具有高準確率和差異性的分類器。在分類器的生成階段,為了生成具有準確率較高的分類器,采用了對原始訓練數(shù)據(jù)集進行特征分割的方式,產(chǎn)生較優(yōu)的分類器,充分考慮訓練樣本集的分布特征,在保證單個分類器高性能的情況下,達到成員分類器多樣性的目的。在分類器的組合階段,組合這些分類器的分類結果來達到理想的效果,利用合理的差異度量公式選擇出具有差異性的分類器,使得分類器的兩個必要性都得到保