论文部分内容阅读
集成学习是一种新的机器学习范式，它使用多个学习器来解决同一个问题，能够显著地提高学习系统的泛化能力，因此从20世纪90年代开始，对集成学习的理论和算法的研究成为了机器学习领域的一个热点。现在，集成学习已经成功应用于行星探测、地震波分析、Web信息过滤、生物特征识别、计算机辅助医疗诊断等众多领域。 然而集成学习技术还不成熟，集成学习的研究还存在着大量未解决的问题。从集成学习的实际应用情况来看，也远未达到人们所期待的水平。 本文对集成学习进行了深入地研究，简要介绍了集成学习的概念、构成和作用，分析了集成学习中两大算法族Boosting和Bagging的理论基础，阐述了选择性集成学习的基本思想，讨论了目前集成学习存在的不足，利用群体智能，结合云模型理论，提出相应的解决办法，完成了以下研究工作： 1、针对选择性集成的实现复杂度过高问题，借鉴群体智能方法，提出了基于蚁群优化算法的选择性集成算法ACOSEN，利用高速收敛的智能蚁群来选择差异大且精度高的个体学习器，建立最优的集成模型。在机器学习平台Weka上利用UCI数据库对ACOSEN进行了实验测试，实验结果表明该方法优于Boosting和Bagging方法，在正