基于单类SVM噪声去除的鲁棒集成分类器组合
机器学习
2016-02-10 v1
摘要
在机器学习领域，当标记输入样本数量变得非常庞大时，由于输入数据集在算法训练阶段无法放入内存，构建分类模型变得十分困难，因此有必要利用数据划分来处理整体数据集。基于Bagging和Boosting的数据划分方法已广泛应用于数据挖掘与模式识别领域。这两种方法均展现出提升分类模型性能的巨大潜力。本研究关注带有噪声去除的数据集划分及其对多分类器模型性能的影响分析。在本研究中，我们提出在每个数据集划分上进行噪声滤波预处理以提升分类器模型性能。我们应用基尼不纯度（Gini impurity）方法来确定噪声滤波比例的最佳分割百分比。过滤后的子数据集随后用于训练各个集成模型。
引用
@article{arxiv.1602.02888,
title = {Robust Ensemble Classifier Combination Based on Noise Removal with One-Class SVM},
author = {Ferhat Özgür Çatak},
journal= {arXiv preprint arXiv:1602.02888},
year = {2016}
}
备注
22nd International Conference, ICONIP 2015