低关联度的Boosting类集成算法研究

作     者：关超 高敬阳 尚颖 GUAN Chao;GAO Jing-yang;SHANG Ying

作者机构：北京化工大学信息科学与技术学院计算机系北京100029 

基　　金：国家自然科学基金项目(61074153) 

出 版 物：《计算机工程与设计》 (Computer Engineering and Design)

年 卷 期：2012年第33卷第3期

页      码：1112-1116页

摘      要：针对Boosting类算法生成的个体网络的迭代方式相关性较高,对某些不稳定学习算法的集成结果并不理想的情况,基于Local Boost算法局部误差调整样本权值的思想,提出了基于距离及其权值挑选邻居样本的方法,并通过局部误差产生训练样本种子,采用Lazy Bagging方法生成针对各样本种子的个体网络训练样本集来训练、生成新的个体网络,UCI数据集上实验结果表明,该算法得到的个体网络相关度较小,集成性能较为稳定。

主 题 词：低相关度 神经网络集成 邻域误差 二次集成 Boosting集成 

学科分类：12[管理学] 1201[管理学-管理科学与工程类] 081104[081104] 08[工学] 0835[0835] 0811[工学-水利类] 0812[工学-测绘类] 

D　O　I：10.3969/j.issn.1000-7024.2012.03.054

馆 藏 号：203465082...