神经网络集成：聚合算法评估

人工神经网络集成显示出优于单个网络的改进泛化能力。然而，要使聚合有效， individual 网络必须尽可能准确且尽可能多样化。因此，一个重要问题是如何调整 aggregate 成员，以在这两个相互冲突的条件之间取得最佳平衡。我们在此提出了对几种集成构建算法的广泛评估，包括新提议的方法以及与文献中标准方法的比较。我们还讨论了顺序聚合算法的一个潜在问题：其启发式方法选择特别差的集成成员的概率不高，但危害巨大。我们提出了修改后的算法，通过允许 aggregate 成员的 individual 加权来解决这个问题。我们的方法及其加权修改版在文献中其他方法的测试结果 favorable， 在大多数标准统计数据库用作基准时，均表现出明显的性能提升。