论文部分内容阅读
分类技术在一些领域已经得到了成功应用,其精度和泛化能力也得到很大提高,但是随着时代的进步和科学技术的不断发展,人们对分类的要求越来越高,传统的分类器技术难以满足这种要求。多分类器集成技术就是为了满足这种要求产生的,它通过过融合大量的基分类器来获得更好的分类性能,增强了系统的精度和泛化性能,同时稳定性也有了提高。分类器集成已成为机器学习和数据挖掘等领域的一个研究热点,对多分类器集成的研究有很大意义。
论文比较全面地介绍了分类器集成的研究现状、工作原理以及常见方法。重点探讨了粗糙集理论在多分类器集成中的应用,对基于粗糙集理论的多分类集成研究中所存在的一些不足,提出了相应的解决方案。
论文的主要工作包括以下几个方面:
1、介绍了多分类器集成和粗糙集理论的现状、相关概念和工作原理,讨论了经典的多分类器集成方法及其缺点。
2、探究了基于粗糙集理论的多分类器集成技术的基本原理,总结了其基本框架,概要地归纳了这些方法所存在的主要不足。
3、结合粗糙集理论,提出了一种基于粗糙集属性约简的基分类器构建方法,并利用差异性度量方法对其进行了相应的分析。试验表明该方法生成的基分类器具有良好的差异度,是一种较好的基分类器构建方法。
4、介绍了几种常见基分类器组合的方法,并针对他们的不足提出了一种基于分类器结果相似性的基分类器集成方法,并与传统的集成方法做了比较。利用UCI数据库中的数据集对所提出的这种方法进行了实验验证。实验结果表明,同一些经典的集成方法相比,该方法可以获得更优的分类效果。
5、探究了基分类器选择算法对集成分类器性能的影响,提出了一种加权属性重要度选择方法,并将其应用到所提出的基于粗糙集理论的集成方法中,以此来消除分类准确率低和差异性不足的基分类器对集成机制的影响,从而进～步提高基于粗糙集理论的集成方法的分类性能。
6、研究了增量对多分类器性能的影响,提出了一种基于粗糙集理论的增量式多分类器集成方法。利用UCI数据库中的数据集对所提出的这种方法进行了实验验证,实验结果表明,同一些非增量的集成方法相比,该方法可以提高分类效果。