META-DES：一种基于元学习的动态集成选择框架
机器学习
2020-03-06 v1 人工智能
机器学习
摘要
动态集成选择系统通过估计分类器池中每个分类器的能力水平来工作。仅选择最有能力的分类器对给定测试样本进行分类。这是通过定义度量基分类器能力水平的准则来实现的，例如其在查询实例周围特征空间局部区域的准确率。然而，仅使用关于基分类器行为的单一准则不足以准确估计其能力水平。本文中，我们提出一种新颖的基于元学习的动态集成选择框架。我们提出五组不同的元特征，每组对应一种不同的准则以度量分类器对输入样本分类的能力水平。元特征从训练数据中提取并用于训练元分类器，以预测基分类器是否足够有能力分类输入实例。在泛化阶段，元特征从查询实例提取并作为元分类器的输入。元分类器估计基分类器是否足够有能力被加入集成。实验在若干小样本量分类问题上进行，即因缺乏训练数据而具有高不确定性程度的问题。实验结果表明，与当前 SOTA 动态集成选择技术相比，所提元学习框架大幅提高了分类准确率。
引用
@article{arxiv.1810.01270,
title = {META-DES: A Dynamic Ensemble Selection Framework using Meta-Learning},
author = {Rafael M. O. Cruz and Robert Sabourin and George D. C. Cavalcanti and Tsang Ing Ren},
journal= {arXiv preprint arXiv:1810.01270},
year = {2020}
}
备注
Article published on Pattern Recognition. arXiv admin note: text overlap with arXiv:1509.00825