首页> 中文会议>第二十二届中国数据库学术会议 >一种改进的基于投票的类向量方法

一种改进的基于投票的类向量方法

摘要

Stacking是Wolpert提出的一个重要学习框架.它通过对多个模型的输出结果进行泛化,利用前一层模型输出的结果作为下一层的学习输入信息,使得前一次的学习能够充分用于后面的归纳过程当中去,发现并且纠正所使用学习算法中的学习偏差,以提高学习的精度.目前,Stacking框架最主要的应用是组合分类器,以取得比组成它们的单个分类器更高的分类准确率.Stacking中每一层的各分类器可使用任何分类算法来构造,因此也适用于组合异构的分类器,本文提出了一种基于投票的类向量方法(Vstacking).从实验结果看,该方法在具有明显类分布倾斜的数据集上的泛化效果要优于Stacking方法,同时在所有的2-类数据集上的泛化效果较稳定,在具有明显类分布倾斜的数据集上取得了较好的分类效果,在泛化精度与效率的折中方面具有较明显的优势.但是应指出的是,Vstacking方法的泛化精度与数据的类分布倾斜(classdistributionskew)是有关系的,即客观存在的各个类的样本比例不平衡的现象影响了分类准确率.对于数据集的类分布均匀的情况,仍需要作进一步的研究.

著录项

相似文献

  • 中文文献
  • 外文文献
  • 专利
获取原文

客服邮箱:kefu@zhangqiaokeyan.com

京公网安备:11010802029741号 ICP备案号:京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有
  • 客服微信

  • 服务号