面向动态分类器选择的在线局部池生成：扩展版

动态分类器选择（DCS）技术难以选出池中最具能力的分类器，即便其存在也如此。由于 DCS 技术仅依赖局部数据来估计分类器的能力，池的生成方式可能影响对给定样本最佳分类器的选择。也就是说，生成池时的全局视角可能无助于 DCS 技术为易被误标的样本选择称职的分类器。因此，我们在本工作中提出一种在线池生成方法，为特征空间困难区域中的测试样本生成局部精确的池。给定区域的困难程度由其中样本的分类难度决定。这样，通过使用在局部范围内生成的分类器，DCS 技术更容易为困难样本选出最佳分类器。对于简单区域的查询样本，则使用简单的近邻规则。在本工作的扩展版中，呈现了关于样本难度与 DCS 技术性能之间相关性的深入分析。随后使用一种传达局部类重叠程度的样本难度度量，来决定在所提方案中何时使用局部池。所提方法相较于 Bagging 生成的池及另外两种全局池生成方案，在所有被评估的 DCS 技术中均取得了显著更高的识别率。所提方案的性能也显著优于三种最先进的分类模型，且与其中五种统计等价。此外，此版本中给出了关于所提方法及若干 DS 技术计算复杂度的扩展分析。我们还使用 GitHub 上的 DESLib 库提供了所提技术的实现。