eAnt-Miner：一种用于改进 ACO 分类的集成 Ant-Miner
神经与进化计算
2014-09-10 v1
摘要
蚁群优化 (ACO) 已应用于监督学习以诱导分类规则及决策树，此类方法被称为 Ant-Miners。尽管这些分类器具有竞争力，但其随机性本质导致稳定性成为一个重要问题。本文针对该问题，应用了一种备受推崇的机器学习技术——分类器集成 (ensemble of classifiers)，其中采用 ACO 分类器作为基分类器来构建集成。主要的权衡在于，新方法的预测是通过发现一组模型来确定的，而非单一模型分类。本质上，我们通过对训练数据进行随机替换采样来制备多个模型，并通过聚合这些模型构建一个独特模型，以测试未见数据点。该新方法的主要目标是提高 Ant-Miner 结果的稳定性，从而提升 ACO 分类的性能。我们发现，集成 Ant-Miners 通过减少未见数据上的分类误差，显著提高了稳定性。
引用
@article{arxiv.1409.2710,
title = {eAnt-Miner : An Ensemble Ant-Miner to Improve the ACO Classification},
author = {Gopinath Chennupati},
journal= {arXiv preprint arXiv:1409.2710},
year = {2014}
}
备注
13 pages, 2 figures, 6 tables