论文部分内容阅读
集成学习是提高分类精度的一种有效途径，已在许多领域显示出其优于单个分类器的良好性能。观察学习是一种基于社会学习理论的集成学习方法，以往对其研究集中于同构模式。在此提出了基于异构模式的观察学习策略，通过训练、观察、再训练三个阶段完成学习。在UCI标准数据集上对异构环境下的观察学习算法进行了实验研究。结果表明，该方法优于多数投票法和单个分类算法，其对弱分类器组成的分类器集合尤其有效。从偏差／方差分解的角度对观察学习提高分类性能的原因进行了论证，结果表明，观察学习算法既可以降低偏差，也可以降低方差。