基于元学习的动态集成选择方法研究

本文提出了一种利用元学习的新颖动态集成选择框架。该框架分为三个步骤。第一步，从训练数据生成分类器池。第二阶段负责提取元特征并训练元分类器。提出了五组不同的元特征，每组对应一种不同的准则，用于度量分类器对给定查询样本进行分类的能力水平。元特征使用训练数据计算，并用于训练一个元分类器，该分类器能够预测池中的基分类器是否足以对输入实例进行分类。考虑了三种不同的元分类器训练场景：问题相关、问题无关和混合。实验结果表明，问题相关场景提供了最佳结果。此外，问题相关场景的性能与系统的识别率高度相关。与最先进技术的比较表明，所提出的问题相关方法优于当前的动态集成选择技术。