基于FP-Tree的快速选择性集成算法

• 作者: 徐明 蒋艳凰 赵强利
• 来源期刊: 软件学报
• 学科: 工学
• 关键词: 集成学习 选择性集成 频繁模式树 Bagging 误差反向传播神经网络
• 年，卷（期）: 2011,（4）
• 所属期刊栏目: 模式识别与人工智能
• 页码范围: 709-721
• 分类号: TP181
• 字数: 8558字
• 语种: 中文
• DOI: 10.3724/SP.J.1001.2011.03752

摘要

选择性集成通过选择部分基分类器参与集成,从而提高集成分类器的泛化能力,降低预测开销.但已有的选择性集成算法普遍耗时较长,将数据挖掘的技术应用于选择性集成,提出一种基于FP-Tree(frequent pattern tree)的快速选择性集成算法:CPM-EP(coverage based pattern mining for ensemble pruning).该算法将基分类器对校验样本集的分类结果组织成一个事务数据库,从而使选择性集成问题可转化为对事务数据集的处理问题.针对所有可能的集成分类器大小,CPM-EP算法首先得到一个精简的事务数据库,并创建一棵FP-Tree树保存其内容;然后,基于该FP-Tree获得相应大小的集成分类器.在获得的所有集成分类器中,对校验样本集预测精度最高的集成分类器即为算法的输出.实验结果表明,CPM-EP算法以很低的计算开销获得优越的泛化能力,其分类器选择时间约为GASEN的1/19以及Forward-Selection的1/8,其泛化能力显著优于参与比较的其他方法,而且产生的集成分类器具有较少的基分类器.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	徐明	国防科学技术大学计算机学院	46	573	14.0	22.0
2	蒋艳凰	国防科学技术大学计算机学院	11	146	6.0	11.0
3	赵强利	国防科学技术大学计算机学院	2	38	2.0	2.0