基于信息熵的集成学习过程多样性度量研究

• 作者: 周钢 郭福亮
• 来源期刊: 计算机工程与科学
• 学科: 工学
• 关键词: 集成学习 过程多样性 联合增益 K-means 多样性度量
• 年，卷（期）: 2019,（9）
• 所属期刊栏目: 人工智能与数据挖掘
• 页码范围: 1700-1707
• 页数: 8页
• 分类号: TP391
• 字数: 10164字
• 语种: 中文
• DOI: 10.3969/j.issn.1007-130X.2019.09.024

摘要

基分类器的多样性是提升集成学习的精度和泛化能力的重要因素,大数据环境下的传统后验证多样性度量方法计算效率较低,提出一种基于信息熵的过程多样性度量方法.通过使用分类器各属性的增益及其所在树层次得到属性集的联合增益,并计算分类器间的熵距离评估其多样性,利用熵距离按照K-means方法即可动态购置集成学习分类器.在西瓜数据集和典型分类数据集上进行比较研究,发现与传统集成学习方法相比,该方法具有相近的准确性和更高的计算效率.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	郭福亮		66	273	9.0	12.0
2	周钢		36	90	6.0	8.0