改进PM-MD的分类器集成

• 作者: 何振峰 吴立凡
• 来源期刊: 计算机系统应用
• 关键词: PM-MD 分类器 集成 Hubness 高维
• 年，卷（期）: 2019,（4）
• 所属期刊栏目: 软件技术·算法
• 页码范围: 157-162
• 页数: 6页
• 字数: 3688字
• 语种: 中文
• DOI: 10.15888/j.cnki.csa.006859

摘要

Hub会对高维数据分析产生显著消极影响,现有研究分别采用了五种降Hubness策略以提高分类效果,但单个降Hubness策略适用范围有限.为解决这一问题,提出对五种降Hub分类器进行基于PM-MD的集成,PM-MD集成是通过KNN确定分类对象的决策表以及通过分类器得到分类对象的类支持向量,最后通过比较决策表和类支持向量的相似性计算分类器的竞争力权重.由于PM-MD在处理高维数据集时高斯势函数存在弱化距离导致区分度不足的倾向,因此提出了采用欧氏距离直接计算决策表以提高分类精度.在12个UCI数据集上的实验结果表明:PM-MD不仅获得更好且稳定的分类结果,而改进后的PM-MD则进一步提高了分类精度.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	何振峰	福州大学数学与计算机科学学院	34	74	4.0	6.0
2	吴立凡	福州大学数学与计算机科学学院	1	0	0.0	0.0