应用科学学报
應用科學學報
응용과학학보
JOURNAL OF APPLIED SCIENCES
2015年
2期
203-214
,共12页
集成学习%多类别%类别信念%类别权重%AdaBoost.SAMME
集成學習%多類彆%類彆信唸%類彆權重%AdaBoost.SAMME
집성학습%다유별%유별신념%유별권중%AdaBoost.SAMME
ensemble learning%multi-class%class belief%class weight%AdaBoost.SAMME
集成学习是一种受到广泛认可和使用的机器学习算法.为此提出一种新的多类集成学习算法,即AdaBoost belief.此算法改进多类集成学习算法AdaBoost.SAMME,使每个基分类器对于每个类别都有权重信息.这种类别上的权重被称为类别信念,可通过计算每次迭代中各个类别的正确率得到.将所提出的算法与原有的AdaBoost.SAMME算法从预测准确率、泛化能力以及理论支持等方面进行比较发现:在高斯数据集、多种UCI数据集以及基于日志的多类别入侵检测应用中,该算法不但具有更高的预测准确率和泛化能力,而且当类别数目增加,即类别更难以预测时,其分类错误率较原有AdaBoost.SAMME算法上升得更缓慢.
集成學習是一種受到廣汎認可和使用的機器學習算法.為此提齣一種新的多類集成學習算法,即AdaBoost belief.此算法改進多類集成學習算法AdaBoost.SAMME,使每箇基分類器對于每箇類彆都有權重信息.這種類彆上的權重被稱為類彆信唸,可通過計算每次迭代中各箇類彆的正確率得到.將所提齣的算法與原有的AdaBoost.SAMME算法從預測準確率、汎化能力以及理論支持等方麵進行比較髮現:在高斯數據集、多種UCI數據集以及基于日誌的多類彆入侵檢測應用中,該算法不但具有更高的預測準確率和汎化能力,而且噹類彆數目增加,即類彆更難以預測時,其分類錯誤率較原有AdaBoost.SAMME算法上升得更緩慢.
집성학습시일충수도엄범인가화사용적궤기학습산법.위차제출일충신적다류집성학습산법,즉AdaBoost belief.차산법개진다류집성학습산법AdaBoost.SAMME,사매개기분류기대우매개유별도유권중신식.저충유별상적권중피칭위유별신념,가통과계산매차질대중각개유별적정학솔득도.장소제출적산법여원유적AdaBoost.SAMME산법종예측준학솔、범화능력이급이론지지등방면진행비교발현:재고사수거집、다충UCI수거집이급기우일지적다유별입침검측응용중,해산법불단구유경고적예측준학솔화범화능력,이차당유별수목증가,즉유별경난이예측시,기분류착오솔교원유AdaBoost.SAMME산법상승득경완만.
