MLRS-PDS：动态集成选择流水线的元学习推荐
机器学习
2024-07-11 v1
摘要
动态选择（DS）在测试时从分类器池中为每个新实例选择基分类器，在模式识别中已被证明非常有效。然而，分类器池的不稳定性和冗余性会阻碍动态集成选择的计算效率与准确性。本文引入了一种元学习推荐系统（MLRS），为针对单个数据集定制的 DES 方法推荐最优的池生成方案。该系统利用由数据集元特征构建的元模型，预测给定数据集最适合的池生成方案与 DES 方法。通过涵盖288个数据集的广泛实验研究，我们证明该元学习推荐系统优于传统的固定池或 DES 方法选择策略，突显了元学习方法在优化 DES 方法选择中的有效性。源代码、数据集及补充结果可在该项目的 GitHub 仓库中找到：https://github.com/Menelau/MLRS-PDS。
引用
@article{arxiv.2407.07528,
title = {MLRS-PDS: A Meta-learning recommendation of dynamic ensemble selection pipelines},
author = {Hesam Jalalian and Rafael M. O. Cruz},
journal= {arXiv preprint arXiv:2407.07528},
year = {2024}
}
备注
Paper published at the International Joint Conference on Neural Networks