基于合作博弈的多准则加权集成方法用于多类分类

自第四产业革命以来，人工智能技术在众多领域得到广泛应用，但仍存在一些需要克服的局限性，包括过拟合/欠拟合、类别不平衡以及由于不同模型特性导致的表示（假设空间）局限。作为解决这些问题的方法，集成学习（即模型组合）正在机器学习领域广泛应用。在集成学习方法中，投票式集成通过 various 加权方法进行研究，显示出性能提升。然而，现有方法仅考虑单一评估准则来反映分类器的预先信息，这限制了在现实模型中应考虑的各种信息。因此，本文提出了通过多准则情境下的合作博弈来进行决策的方法。通过该方法，可以同时考虑和反映分类器中已知的各种类型信息，从而实现合适的权力分配和性能提升。将机器学习算法应用于 Open-ML-CC18 数据集，并与现有的集成加权方法进行比较。实验结果表明，优于其他加权方法。