论文部分内容阅读
构造性学习算法训练分类器对有些样本会有＂拒认状态＂,构造性学习算法中对这一状况的处理使用就近原则,然而,这种方法通常不能给出＂拒认状态＂样本的正确类别。提出了一种集成构造性分类方法,在测试阶段,通过多个分类器的最终打分,对＂拒认状态＂样本进行分类标记。同时,选取UCI数据集进行实验,结果表明,与CML算法相比,该方法的分类更为有效。