对分类器集成动态选择的 META-DES 框架的深入分析
机器学习
2015-09-14 v2 机器学习
摘要
动态集成选择（DES）技术通过估计分类器池中每个分类器的能力水平来工作。仅选择能力最高的分类器对给定测试样本进行分类。因此，DES 中的关键问题是用于估计分类器在预测给定测试样本标签时能力水平的准则。为了进行更稳健的集成选择，我们提出了基于元学习的 META-DES 框架，其中将多个准则编码为元特征并传递给经过训练以估计给定分类器能力水平的元分类器。在本技术报告中，我们对训练和测试阶段框架的每个阶段进行了逐步分析。我们展示了每组元特征是如何提取的，以及它们对基分类器能力水平估计的影响。此外，我们还分析了系统性能中若干因素的影响，例如分类器池中的分类器数量、不同线性基分类器的使用以及验证数据的大小。我们表明，通过 META-DES 框架动态选择线性分类器，可以解决其他组合技术（如 AdaBoost）无法解决的复杂非线性分类问题。
引用
@article{arxiv.1509.00825,
title = {A DEEP analysis of the META-DES framework for dynamic selection of ensemble of classifiers},
author = {Rafael M. O. Cruz and Robert Sabourin and George D. C. Cavalcanti},
journal= {arXiv preprint arXiv:1509.00825},
year = {2015}
}
备注
47 Pages