递减样本集成学习算法

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

摘要：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.

原文链接:http://www.cqvip.com//QK/91690X/201612/668974560.html

送人玫瑰，手留余香~如您已下载到该资源，可在回帖当中上传与大家共享，欢迎来CDA社区交流学习。（仅供学术交流用。）

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：学习算法 Boosting bagging boost cqvip 集成学习 基本分类器 训练子空间 递减 置信度