通过集成成员随机化模型构建分类器集成
机器学习
2021-09-17 v1
摘要
文献中已知许多动态集成选择（DES）方法。作者先前开发的一种方法在于构建一个随机化分类器，将其作为基分类器的模型。该模型在某种概率意义下等价于基分类器。随后，将随机化分类器正确分类的概率作为被评估分类器的能力度量。本文提出了一种新的基分类器随机化模型。在所提方法中，模型的随机性源于从固定大小的学习集族中随机选取学习集。本文给出了该方法的数学基础，并展示了在给定学习与验证集的实际应用中，如何确定能力度量并构建带有 DES 方案的 MC 系统。所提能力模型下的 DES 方案在 67 个基准数据集集合上进行了实验评估，并针对八个质量准则与两个采用先前提出的随机化模型概念的集成分类器进行比较。所提方法在几乎所有被考察的质量准则上均取得了最低排名。
引用
@article{arxiv.2109.07861,
title = {Building an Ensemble of Classifiers via Randomized Models of Ensemble Members},
author = {Pawel Trajdos and Marek Kurzynski},
journal= {arXiv preprint arXiv:2109.07861},
year = {2021}
}