计算机科学
計算機科學
계산궤과학
COMPUTER SCIENCE
2014年
7期
283-289
,共7页
郭华平%袁俊红%张帆%邬长安%范明
郭華平%袁俊紅%張帆%鄔長安%範明
곽화평%원준홍%장범%오장안%범명
森林学习%边界理论%贡献增益%特征变换
森林學習%邊界理論%貢獻增益%特徵變換
삼림학습%변계이론%공헌증익%특정변환
Forest learning%Margin based theory%Contribution gain%Feature transformation
提出了一种新的基于决策树的组合分类器学习方法FL(Forest Learning).与bagging和adaboost等传统的组合分类器学习方法不同,FL不采用抽样或加权抽样,而是直接在训练集上学习一个森林作为组合分类器.与传统组合学习方法独立地学习每个基分类器,然后把它们组合在一起的做法不同,FL学习每个基分类器时都尽可能地考虑对组合分类器的影响.首先,FL使用传统的方法构建森林的第一棵决策树;然后,逐一构建新的决策树并将其添加到森林中.在构建新的决策树时,结点的每次划分都考虑对组合分类器的影响.实验结果表明,与传统的组合分类器学习方法相比,FL在大部分数据集上都能构建出性能更好的组合分类器.
提齣瞭一種新的基于決策樹的組閤分類器學習方法FL(Forest Learning).與bagging和adaboost等傳統的組閤分類器學習方法不同,FL不採用抽樣或加權抽樣,而是直接在訓練集上學習一箇森林作為組閤分類器.與傳統組閤學習方法獨立地學習每箇基分類器,然後把它們組閤在一起的做法不同,FL學習每箇基分類器時都儘可能地攷慮對組閤分類器的影響.首先,FL使用傳統的方法構建森林的第一棵決策樹;然後,逐一構建新的決策樹併將其添加到森林中.在構建新的決策樹時,結點的每次劃分都攷慮對組閤分類器的影響.實驗結果錶明,與傳統的組閤分類器學習方法相比,FL在大部分數據集上都能構建齣性能更好的組閤分類器.
제출료일충신적기우결책수적조합분류기학습방법FL(Forest Learning).여bagging화adaboost등전통적조합분류기학습방법불동,FL불채용추양혹가권추양,이시직접재훈련집상학습일개삼림작위조합분류기.여전통조합학습방법독입지학습매개기분류기,연후파타문조합재일기적주법불동,FL학습매개기분류기시도진가능지고필대조합분류기적영향.수선,FL사용전통적방법구건삼림적제일과결책수;연후,축일구건신적결책수병장기첨가도삼림중.재구건신적결책수시,결점적매차화분도고필대조합분류기적영향.실험결과표명,여전통적조합분류기학습방법상비,FL재대부분수거집상도능구건출성능경호적조합분류기.
