基于分类问题的选择性集成算法研究

摘要

集成学习是时下非常流行的机器学习算法,它是通过集成多个模型的输出结果来实现的.但随着基学习器数目的 增多,集成学习的预测速率明显下降,其所需的运行内存也迅速增加.对此,本文提出了选择性集成分类算法,该算法首先采用集成学习思想训练一定数目的 分类器,然后综合多个评价标准对一些效果较差的分类器进行剔除,并使基分类器具有一定的差异性,来实现选择性集成学习,并在不同数据集进行实验论证了该算法的泛化能力与有效性.