...
  • 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Pattern Analysis and Applications >Bagging, Boosting and the Random Subspace Method for Linear Classifiers
【24h】

Bagging, Boosting and the Random Subspace Method for Linear Classifiers

机译：线性分类器的装袋，增强和随机子空间方法

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Recently bagging, boosting and the random subspace method have become popular combining techniques for improving weak classifiers. These technique are designed for, and usually applied to, decision trees. In this paper, in contrast to a common opinion, we demonstrate that they may also be useful in linear discriminant analysis. Simulation studies, carried out for several artificial and real data sets, show that the performance of the combining techniques is strongly affected by the small sample size properties of the base classifier: boosting is useful for large training sample sizes, while bagging and the random subspace method are useful for critical training sample sizes. Finally, a table describing the possible usefulness of the combining techniques for linear classifiers is presented.
机译：最近，套袋，增强和随机子空间方法已成为用于改进弱分类器的流行组合技术。这些技术是为决策树设计的，通常应用于决策树。在本文中，与普遍观点相反，我们证明了它们在线性判别分析中也可能有用。对几个人工和真实数据集进行的仿真研究表明，基本分类器的小样本大小属性会严重影响合并技术的性能：增强可用于大训练样本大小，装袋和随机子空间该方法对于关键训练样本量很有用。最后，提供了描述线性分类器组合技术可能有用性的表格。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 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