面向不均衡小样本训练集的改进Boosting算法

• 作者: 庄连生 庄镇泉 李斌 程有龙
• 来源期刊: 中国科学技术大学学报
• 学科: 工学
• 关键词: Boosting 小样本集 非平衡训练集 特征置换 扰动 泛化能力
• 年，卷（期）: 2010,（2）
• 所属期刊栏目: 信息与电子科学
• 页码范围: 146-151
• 页数: 6页
• 分类号: TP18
• 字数: 4421字
• 语种: 中文
• DOI: 10.3969/j.issn.0253-2778.2010.02.007

摘要

传统的Boosting算法训练出的分类器常会出现过拟合和向多数类偏移.为此,提出一种基于自适应样本注入和特征置换的Boosting学习算法,通过在训练过程中加入人工合成样本,逐渐平衡训练集,并通过合成的样本对分类器学习进行扰动,使分类器选择更多有效的特征,提高了分类器的泛化能力.最后,在两类和多类图片分类问题上对该算法的有效性进行了考察,实验结果表明,该算法能够在样本数很少,且正负样本数量极不均衡的情况下,有效提高booting算法的泛化能力.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	庄镇泉	中国科学技术大学电子科学与技术系	120	2729	26.0	47.0