为高维含噪生物医学数据分类构建多样化多树
机器学习
2017-06-27 v2 机器学习
摘要
经过训练的分类模型被应用于因噪声而偏离训练数据的操作数据，这种情况十分常见。本文证明了一种名为多样化多树（Diversified Multiple Tree, DMT）的集成分类器在分类含噪数据时比其他广泛使用的集成方法更具鲁棒性。DMT 在来自不同实验室的三个真实世界生物医学数据集上进行了测试，并与四种基准集成分类器进行了比较。实验结果表明，在含噪测试数据上，DMT 比其他基准集成分类器显著更准确。我们还讨论了 DMT 的局限性及其可能的变体。
引用
@article{arxiv.1612.05888,
title = {Building Diversified Multiple Trees for Classification in High Dimensional Noisy Biomedical Data},
author = {Jiuyong Li and Lin Liu and Jixue Liu and Ryan Green},
journal= {arXiv preprint arXiv:1612.05888},
year = {2017}
}
备注
12 pages