基于旋转森林和极限学习机的大样本集成分类算法

• 作者: 杜晓明
• 来源期刊: 科学技术与工程
• 学科: 工学
• 关键词: 大样本数据 旋转森林 极限学习机
• 年，卷（期）: 2018,（18）
• 所属期刊栏目: 研究简报
• 页码范围: 231-235
• 页数: 5页
• 分类号: TP391.43
• 字数: 3722字
• 语种: 中文

摘要

由于信息技术的飞速发展,在实际的数据处理过程中,单个分类器往往不能满足:①要求越来越高的数据分类精度和运行速度;②更强的泛化性能;③有效地适用于大样本数据分类.将旋转森林算法(rotation-forest,ROF)与极限学习机(ex-treme learning machine,ELM)相结合,有效地解决了旋转森林算法中过拟合现象的发生;同时也提高了算法的分类性能.最后通过UCI数据集的实验验证表明,和传统的集成分类算法相比,算法R-ELM-C与Bagging、Adaboosting、Rotboost、ROF、ELM等相比,具有更好地分类性能、稳定性与泛化性能,同时也适合于大样本数据分类.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	杜晓明	江苏科技大学经济管理学院	12	61	4.0	7.0