动态回归器选择中能力度量方法的评估
机器学习
2019-08-27 v1 机器学习
摘要
动态回归器选择(DRS)系统通过从集成中选择最有能力的回归器来估计给定测试模式的目标值。这种能力通常使用回归器在测试模式周围特征空间的局部区域中的性能来量化。然而，正确选择最佳度量来计算能力水平并非易事。动态分类器选择的文献提出了多种能力度量，这些度量无法用于或适配于DRS。在本文中，我们回顾了用于回归问题的八种度量，并对其进行适配以测试文献中DRS算法的性能。这些度量提取自测试模式周围特征空间的局部区域，称为能力区域，因此称为能力度量。为了更好地比较能力度量，我们在15个回归数据集上执行了一系列综合实验。将三种DRS系统与单个回归器以及使用均值和中位数组合集成中回归器输出的静态系统进行比较。DRS系统在不同能力度量下进行了评估。我们的结果表明，DRS系统优于单个回归器和静态系统，但能力度量的选择依赖于具体问题。
引用
@article{arxiv.1904.04645,
title = {Evaluating Competence Measures for Dynamic Regressor Selection},
author = {Thiago J. M. Moura and George D. C. Cavalcanti and Luiz S. Oliveira},
journal= {arXiv preprint arXiv:1904.04645},
year = {2019}
}