基于多目标遗传编程的异质灵活神经树集成
神经与进化计算
2017-05-17 v1
摘要
机器学习算法本质上具有多目标特性，其中近似误差最小化和模型复杂度简化是两个冲突的目标。我们提出了一种多目标遗传编程（MOGP）方法，用于创建异质灵活神经树（HFNT），一种树状灵活前馈神经网络模型。在神经树节点中引入功能异质性以在学习过程中更好地洞察数据，因为数据集中的每个输入具有不同的特征。MOGP将初始HFNT种群引导至帕累托最优解，其中最终种群用于构建集成系统。引入了多样性指数度量以及近似误差和复杂度，以维持种群中候选者之间的多样性。因此，集成通过使用来自MOGP最终种群的准确、结构简单的多样化候选者创建。应用差分进化算法来微调所选候选者的底层参数。在分类、回归和时间序列数据集上的全面测试证明了所提算法相对于其他可用预测方法的效率。此外，HFNT的异质创建被证明可有效地从最终种群中构建集成系统。
引用
@article{arxiv.1705.05592,
title = {Ensemble of heterogeneous flexible neural trees using multiobjective genetic programming},
author = {Varun Kumar Ojha and Ajith Abraham and Václav Snášel},
journal= {arXiv preprint arXiv:1705.05592},
year = {2017}
}