基于线性回归和属性集成的分类算法

• 作者: 唐波 孙忠旭 强保华 柳正利 王玉峰 谢武 邹显春
• 来源期刊: 计算机科学
• 学科: 工学
• 关键词: 线性回归 单属性分类 经验损失 属性集成 多数投票法
• 年，卷（期）: 2017,（6）
• 所属期刊栏目: 人工智能
• 页码范围: 212-215,244
• 页数: 5页
• 分类号: TP18
• 字数: 4982字
• 语种: 中文
• DOI: 10.11896/j.issn.1002-137X.2017.06.035

摘要

对于高维度小样本数据的分类问题,高维属性的复杂性限制了分类模型预测的准确率.为了进一步提高准确率,提出了基于线性回归和属性集成的分类算法.首先,采用线性回归为每一个属性构建属性线性分类器(Attribute Linear Classifier,ALC);其次,为了避免因ALC数量过多而导致准确率下降,利用经验风险最小化策略中的经验损失值作为评估标准来优选ALC;最后,应用多数投票法来集成被筛选的ALC.采用高维度小样本的基因表达数据集进行实验,结果显示该算法具有比逻辑回归、支持向量机和随机森林算法更高的准确率.