元学习策略及性能评价

• 作者: 张选平 杨利英 胡广伍 覃征
• 来源期刊: 西安交通大学学报
• 关键词: 模式分类 多分类器系统 元学习
• 年，卷（期）: 2005,（6）
• 页码范围: 570-573
• 页数: 4页
• 分类号: TP391
• 语种: 中文
• DOI: 10.3321/j.issn:0253-987X.2005.06.005

摘要

为提高分类系统的性能,提出一种统一多种元学习算法的元学习框架,定义并描述了并行和串行两种组合方式.由基分类器的分类结果构成新属性,并加入到特征向量中以形成元数据.通过扩展特征向量,元学习增强了对假设空间的表达能力,降低了系统的偏差.在加州大学提供的标准数据集上对元学习策略进行了实验研究,结果表明:与多数投票、最大规则、最小规则等融合方法实现的多分类器系统相比,并行和串行组合在所用数据集上的平均分类错误率可分别降低39.12%和40.56%,且在n分交叉验证中n值的增加并不能改进分类性能,串行组合中的基分类器的顺序对分类错误率没有显著影响.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	覃征	西安交通大学电子与信息工程学院	158	2651	25.0	46.0
2	张选平	西安交通大学电子与信息工程学院	34	679	12.0	25.0
3	杨利英	西安交通大学电子与信息工程学院	8	96	5.0	8.0
4	胡广伍	西安交通大学电子与信息工程学院	2	15	2.0	2.0