递减样本集成学习算法

来源 :计算机工程与应用 | 被引量 : 11次 | 上传用户:tangguopingzhang
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
从多个弱分类器重构出强分类器的集成学习方法是机器学习领域的重要研究方向之一。尽管已有多种多样性基本分类器的生成方法被提出,但这些方法的鲁棒性仍有待提高。递减样本集成学习算法综合了目前最为流行的boosting与bagging算法的学习思想,通过不断移除训练集中置信度较高的样本,使训练集空间依次递减,使得某些被低估的样本在后续的分类器中得到充分训练。该策略形成一系列递减的训练子集,因而也生成一系列多样性的基本分类器。类似于boosting与bagging算法,递减样本集成学习方法采用投票策略对基本分类
其他文献
针对管道泄漏诊断准确率低和稳定性差的问题,提出一种结合SVM与DS证据理论的管道泄漏识别方法。运用小波分析法提取5种反映管道运行状态的特征参数,输入SVM分类器中进行初次
本文以工业废弃物粉煤灰、当地粘土和工业氧化铝为原料,干压成型后采用固相烧结法制备多孔莫来石材料。为获得材料的最佳制备配方和相关工艺参数,应用混合正交试验法(41×
为了提高单站无源定位精度,降低定位误差,针对扩展卡尔曼滤波算法存在的不足,提出一种基于改进扩展卡尔曼滤波算法的单站无源定位方法。首先通过采集目标的相关信息,构建单站
正确地识别蛋白质-二磷酸鸟苷(Guanosine Diphosphate,GDP)绑定位点对于蛋白质功能分析和药物设计有非常重要的意义。蛋白质-GDP绑定位点预测是一个典型的不平衡学习问题。直接
为了提高当前服装E-Commerce领域2D虚拟试穿展示效果,提出一种基于图像处理技术的服装推理变形仿真方法。采用边缘检测方法提取标准模特图像的特征曲线,检测个性化体型模特图