一种多层次选择性集成学习算法

选择性集成学习是为解决同一个问题而训练多个基分类器,并依据某种规则选取部分基分类器的结果进行整合的学习算法。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。提出了一种多层次选择性集成学习算法Ada_ens。试验结果表明,Ada_ens具有更好的学习效果和泛化性能。     

平均1-依赖决策树集成算法

基于平均1-依赖贝叶斯分类器(AODE)算法的思想, 提出了平均1-依赖决策树集成算法(AODT), 该算法通过使用每个输入属性和类别属性共同建立集成学习中的个体决策树分类器.同时,我们从多任务学习的角度探讨了AODE和AODT算法的工作原理. 通过在Weka平台上使用40个UCI数据集的实验结果表明, 该算法可以显著提高决策树学习算法的分类性能, 并且具有很好的抗噪声性能.