CAJ | 학술논문

如何构造差异性大的基分类器是集成学习研究的重点,为此提出迭代循环选择法:以最大化正则互信息为准则提取最优特征子集,进而基于此训练得到基分类器；同时以错分样本个数作为差异性度量准则来评价所得基分类器的性能,若满足条件则停止,反之则循环迭代直至结束.最后用加权投票法融合所选基分类器的识别结果.通过仿真实验验证算法的有效性,以支持向量机为分类器,在公共数据集UCI上进行实验,并与单SVM及经典的Bagging集成算法和特征Bagging集成算法进行对比.实验结果显示,该方法可获得较高的分类精度.
여하구조차이성대적기분류기시집성학습연구적중점,위차제출질대순배선택법:이최대화정칙호신식위준칙제취최우특정자집,진이기우차훈련득도기분류기；동시이착분양본개수작위차이성도량준칙래평개소득기분류기적성능,약만족조건칙정지,반지칙순배질대직지결속.최후용가권투표법융합소선기분류기적식별결과.통과방진실험험증산법적유효성,이지지향량궤위분류기,재공공수거집UCI상진행실험,병여단SVM급경전적Bagging집성산법화특정Bagging집성산법진행대비.실험결과현시,해방법가획득교고적분류정도.