论文部分内容阅读
通过选择性集成可以获得比单个学习器和全部集成学习更好的学习效果，可以显著地提高学习系统的泛化性能。文中提出一种多层次选择性集成学习算法，即在基分类器中通过多次按权重进行部分选择，形成多个集成分类器，对形成的集成分类器进行再集成，最后通过对个集成分类器多数投票的方式决定算法的输出。针对决策树与神经网络模型在20个标准数据集对集成学习算法Ada—ens进行了实验研究，试验证明基于数据的集成学习算法的性能优于基于特征集的集成学习算法的性能，有更好的分类准确率和泛化性能。