动态集成选择 VS K-NN：动态选择为何及何时获得更高分类性能？
机器学习
2018-11-01 v1 人工智能
机器学习
摘要
多分类器系统致力于分类器的组合，以获得优于单一鲁棒分类器的性能。这些系统展开三个主要阶段：池生成、选择与集成。最具前景的 MCS 方法之一是动态选择（DS），它依赖于为每个测试样本寻找最有能力的分类器或分类器集成。大多数 DS 技术基于 K 近邻（K-NN）定义，且邻域的质量对 DS 方法的性能有巨大影响。本文中，我们进行了在不同条件下比较 DS 技术与 K-NN 分类器分类结果的分析。实验在 30 个分类数据集上对 18 种最先进的 DS 技术展开，结果表明尽管 DS 方法使用与 K-NN 相同的邻域，其分类准确率仍有显著提升。DS 技术优于 K-NN 分类器的原因在于，与 K-NN 不同，DS 技术能够处理具有高度实例难度（位于决策边界附近的样本）的样本。本文不仅解释了 DS 技术为何能获得高于 K-NN 的分类性能，也说明了何时应当使用 DS。
引用
@article{arxiv.1804.07882,
title = {Dynamic Ensemble Selection VS K-NN: why and when Dynamic Selection obtains higher classification performance?},
author = {Rafael M. O. Cruz and Hiba H. Zakane and Robert Sabourin and George D. C. Cavalcanti},
journal= {arXiv preprint arXiv:1804.07882},
year = {2018}
}
备注
Paper published on IPTA 2017