随机球覆盖分类器的集成方法

我们提出并评估了一种新的基于实例的学习分类器——随机球覆盖（RSC）分类器的替代集成方案。RSC 将实例融合为球体，然后基于到球体的距离而非到实例的距离进行分类。RSC 的随机特性使其非常适合用于集成学习。我们提出了两种专为 RSC 分类器定制的集成方法：$\alpha \beta$RSE（一种基于实例重采样的集成）和 $\alpha$RSSE（一种子空间集成）。我们在一系列 UCI 数据集上将 $\alpha \beta$RSE 和 $\alpha$RSSE 与基于树的集成方法进行了比较，结果表明 RSC 集成的表现显著优于其中一些集成方法，且不显著差于其他方法。通过对六个基因表达数据集的案例研究，我们证明了当与属性过滤器结合使用时，$\alpha$RSSE 在高维数据上的表现可以优于其他子空间集成方法。最后，我们进行了一系列偏差/方差分解实验，以分析与基线分类器相比性能提升的来源。