libd3c2.0基于聚類的集成分類器與并行化實現(xiàn)

1、廈門大學學位論文原創(chuàng)性聲明本人呈交的學位論文是本人在導師指導下，獨立完成的研究成果。本人在論文寫作中參考其他個人或集體已經(jīng)發(fā)表的研究成果，均在文中以適當方式明確標明，并符合法律規(guī)范和《廈門大學研究生學術活動規(guī)范( 試行) 》。另外，該學位論文為( ) 課題( 組)的研究成果，獲得( ) 課題( 組) 經(jīng)費或?qū)嶒炇业馁Y助，在( ) 實驗室完成。( 請在以上括號內(nèi)填寫課題或課題組負責人或?qū)嶒炇颐Q，未有此項聲明內(nèi)容的，可以不作特別聲明。)’

2、聲明人( 簽名) ：翻、3 乏強p Ⅳ年x 月坊1 9摘要摘要集成學習的主要思想是融合多個分類學習算法的分類性能來提高整體分類算法的泛化能力。構建一個具有多樣性／差異度大的弱分類學習算法集合是集成學習取得高泛化能力的關鍵。對于弱分類器的構建的直觀的想法是構建大量的弱分類器，以獲得更強的泛化性能。然而大量的弱分類器對現(xiàn)有的計算和存儲能力提出了更高的要求，同時弱分類器的差異性也難以獲得。針對此問題，周志華等人提出的選擇性集成理論指出集成小規(guī)

3、模的弱分類器就可以得到預測性能更優(yōu)的集成分類器，理論分析和實驗表明，該方法能夠取得比B o o s t i n g 和B a g g i n g 等傳統(tǒng)的集成學習算法更好的泛化性能。本文在深入學習選擇性集成分類器的基礎上，從集成分類器的弱分類器構建、分類器候選子集的選擇以及弱分類器的集成等方面進行了相關研究。( 1 ) 弱分類器的生成階段：考慮原始數(shù)據(jù)集的分布特征，提出了對原始數(shù)據(jù)集進行數(shù)據(jù)子集切分和特征子集切分的方式，使用切分后的訓練

4、集訓練分類器。保證弱分類器預測性能同時構建出更具多樣性的弱分類器集合。( 2 ) 弱分類器候選子集選擇階段：選用一種合適的差異性度量方式，通過聚類算法，從弱分類器集合中選擇預測能力高并且相互之間差異度最大的候選子集，進行下一階段的分類器集成。( 3 ) 弱分類器集成階段：采取改進的動態(tài)選擇與循環(huán)集成框架，對候選弱分類器子集進行集成，在保證分類器的集成性能的同時避免使用枚舉弱分類器時的組合爆炸問題。( 4 ) 此外，本文還研究了在需要生成