典型文献
基于监督学习的分类器自适应融合方法
文献摘要：
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.
文献关键词：
高斯混合模型;随机森林;自适应权重;集成学习
中图分类号：
作者姓名：
龚卫华;陈凯;王百城
作者机构：
浙江工业大学计算机科学与技术学院,浙江 杭州310023;浙江工业大学理学院,浙江 杭州310023
文献出处：
引用格式：
[1]龚卫华;陈凯;王百城-.基于监督学习的分类器自适应融合方法)[J].传感技术学报,2022(02):195-201
A类：
B类：
监督学习,自适应融合,融合方法,集成学习方法,法因,多分类,分类系统,泛化性能,采样方法,基分类器,泛化能力,AEC,SL,高斯混合模型聚类,聚类算法,训练集,有监督,随机森林算法,近邻,邻类,适应度,动态加权,自适应分类,UCI,分类器集成,集成方法,分类性能,自适应权重
AB值：
0.402372
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
