用于二分类的约简膨胀-腐蚀感知机
机器学习
2020-04-16 v2 机器学习
摘要
膨胀和腐蚀是数学形态学中的两种基本运算，这是一种广泛用于图像处理与分析的非线性格计算方法。膨胀-腐蚀感知机（DEP）是一种形态神经网络，由膨胀与腐蚀的凸组合后接硬限幅函数用于二分类任务而得到。DEP 分类器可使用凸-凹过程并配合铰链损失函数的最小化进行训练。作为一种格计算模型，DEP 分类器假定特征空间与类空间为偏序集。然而，在许多实际情形中，特征模式并无自然序。利用多值数学形态学的概念，本文引入了约简膨胀-腐蚀（r-DEP）分类器。r-DEP 分类器通过赋予特征空间一个适当的约简序而得到。该约简序可通过两种方法确定：一种基于具有不同核的支持向量分类器（SVCs）集成，另一种基于使用训练集不同样本训练得到的相似 SVCs 的装袋。使用来自 OpenML 仓库的若干二分类数据集，集成与装袋 r-DEP 分类器在平均平衡准确率上优于线性、多项式和径向基函数（RBF）SVCs 及其集成和 RBF SVCs 的装袋。
引用
@article{arxiv.2003.02306,
title = {Reduced Dilation-Erosion Perceptron for Binary Classification},
author = {Marcos Eduardo Valle},
journal= {arXiv preprint arXiv:2003.02306},
year = {2020}
}