集成学习中基于装袋与区间一致方法(IAA)的新型区间聚合方法
机器学习
2021-01-26 v1 人工智能
摘要
集成学习的主要目标是利用多个基分类器的输出而非单一分类器输出来进行聚合，以获得更精确的分类。生成集成分类器通常由三个步骤组成：选择基分类器、应用采样策略生成不同的基分类器，以及聚合分类器输出。本文聚焦于分类器输出聚合步骤，提出了一种在集成学习中利用装袋重采样方法与区间一致方法(Interval Agreement Approach, IAA)的新型基于区间的聚合建模。IAA是决策制定中一种有趣且实用的聚合方法，其被引入用于当决策者以区间形式表达意见时综合其观点。本文除在集成学习中实现一种新的聚合方法外，还设计了一些实验以鼓励研究者在集成学习中使用区间建模，因为区间建模保留了更多不确定性，从而带来更精确的分类。为此，我们将所提方法的实现结果与多数投票——文献中最常见且成功的聚合函数——在10个医学数据集上进行比较，以展示在集成学习的二分类中区间建模及所提基于区间的聚合函数的更优性能。结果证实了我们所提方法的良好性能。
引用
@article{arxiv.2101.10267,
title = {A new interval-based aggregation approach based on bagging and Interval Agreement Approach (IAA) in ensemble learning},
author = {Mansoureh Maadia and Uwe Aickelin and Hadi Akbarzadeh Khorshidi},
journal= {arXiv preprint arXiv:2101.10267},
year = {2021}
}
备注
The Australasian Data Mining Conference 2020