位置:成果数据库 > 期刊 > 期刊详情页
基于聚类技术的集成学习差异性研究
  • ISSN号:2095-2651
  • 期刊名称:《数学研究及应用:英文版》
  • 时间:0
  • 分类:TP181[自动化与计算机技术—控制科学与工程;自动化与计算机技术—控制理论与控制工程]
  • 作者机构:[1]中国人民大学统计学院,北京102218
  • 相关基金:国家自然科学基金重点项目《生物医学中的统计方法研究》(编号:10431010),教育部重点基地重大项目《空间统计学及其应用研究》(编号:05JJD910001),中国人民大学应用统计中心资助项目研究成果之一.
作者: 陈凯[1]
中文摘要:

目前,集成学习特别是选择性集成学习研究已经成为统计机器学习研究的一大热点,从众多的个体学习器中选择差异大且效果好的进行集成已被学术界达成共识,但如何度量个体学习器彼此之间的差异性依然是一个难点。本文提出了一种利用变相似度聚类技术来进行选择性集成学习的算法——SE—Bagging Trees算法。模拟数据表明,该算法往往比简单集成学习算法具有更好的学习效果。

英文摘要:

Ensemble learning now becomes much popular in the field of statistical machine learning, and there are many people drawing conclusion that combining those base learning with high diversity and good performance can improve the performance of the total ensemble learning. But how to measure the diversity is still a problem. This paper introduces a new ensemble algorithm, SE-Bagging Trees ensemble algorithm, based on variational similarity cluster technology. Compared with simple learning algorithms, it often produces a better performance.

同期刊论文项目
期刊论文 100 会议论文 13 获奖 16 著作 5
同项目期刊论文
期刊信息
  • 《数学研究及应用:英文版》
  • 中国科技核心期刊
  • 主管单位:国家教育部
  • 主办单位:大连理工大学
  • 主编:王仁宏
  • 地址:大连理工大学应用数学系
  • 邮编:116024
  • 邮箱:
  • 电话:0411-84707392
  • 国际标准刊号:ISSN:2095-2651
  • 国内统一刊号:ISSN:21-1579/O1
  • 邮发代号:8-92
  • 获奖情况:
  • 1998年大连市优秀期刊奖,2000年大连市优秀期刊奖
  • 国内外数据库收录:
  • 俄罗斯文摘杂志,美国数学评论(网络版),德国数学文摘,日本日本科学技术振兴机构数据库,中国中国科技核心期刊
  • 被引量:36