基于监督学习的分类器自适应融合方法
Chinese Journal of Sensors and Actuators（2022）
摘要
近年来,集成学习方法因其在多分类系统中具备良好的泛化性能而成为关注热点,然而,传统采样方法生成的基分类器存在相似度高、集成后泛化能力不足等问题,为此,提出一种基于监督学习的分类器自适应融合方法AEC_SL,该方法先采用高斯混合模型聚类算法将训练集划分为有监督的样本簇,然后在每个类簇上使用随机森林算法得到差异化的分类器,在此基础上进一步提出结合近邻类簇相似度和基分类器局部适应度的动态加权方法,从而得到优化的自适应分类器组合.在标准UCI数据集上的实验结果表明本文提出的AEC_SL方法比传统的分类器集成方法具有更好的分类性能.
更多AI 理解论文
溯源树
样例
生成溯源树，研究论文发展脉络
Chat Paper
正在生成论文摘要