稀疏性驱动的加权集成分类器
机器学习
2019-06-25 v3 机器学习
摘要
本研究提出了一种新颖的稀疏性驱动加权集成分类器（SDWEC），旨在提高分类准确率并最小化分类器数量。使用预训练的分类器，构建了一个基分类器根据分配的权重进行投票的集成模型。这些分配的权重直接影响分类器的准确率。在所提出的方法中，集成权重寻找问题被建模为包含以下项的成本函数：旨在降低误分类率的数据保真项，旨在减少分类器数量的稀疏项，以及分类器权重的非负约束。由于所提出的成本函数是非凸的，难以求解，因此采用了凸松弛技术和新的近似方法以获得数值上高效的解。成本函数的稀疏项允许在需要时权衡准确率与测试时间。SDWEC的有效性在11个数据集上进行了测试，并与最先进的分类器集成方法进行了比较。结果表明，SDWEC在使用更少分类器的情况下提供了更好或相似的准确率，并减少了集成的测试时间。
引用
@article{arxiv.1610.00270,
title = {Sparsity-driven weighted ensemble classifier},
author = {Atilla Ozgur and Hamit Erdem and Fatih Nar},
journal= {arXiv preprint arXiv:1610.00270},
year = {2019}
}
备注
Last version updated according to journal version but not edited by journal