基于CMAES集成学习方法的地表水质分类

• 作者: 徐修颖 杨光 陈兴国 陈康扬
• 来源期刊: 计算机科学与探索
• 学科: 工学
• 关键词: 水质分类 Boosting 基于协方差自适应调整的进化策略算法(CMAES) 集成学习 参数优化
• 年，卷（期）: 2020,（3）
• 所属期刊栏目: 人工智能
• 页码范围: 426-436
• 页数: 11页
• 分类号: TP311
• 字数: 8198字
• 语种: 中文
• DOI: 10.3778/j.issn.1673-9418.1905020

摘要

为了提高人民生活质量,政府部门不断加强水质管理,然而人工分类方法无法满足实时处理的需求,传统机器学习方法的分类准确率又不够高.集成学习使用多种学习算法来获得比单一学习算法更好的预测性能.首先,对集成学习进行概述,简要介绍了Bagging和Boosting算法,并提出基于协方差自适应调整的进化策略算法(CMAES)的集成学习方法.接着,介绍了数据处理方式、模型评估方法和评价指标.最后,用CMAES集成学习方法对逻辑回归、线性判别分析、支持向量机、决策树、完全随机树、朴素贝叶斯、K-邻近算法、随机森林、完全随机树林、深度级联森林十种模型进行集成.实验结果表明,CMAES集成学习方法优于所有其他模型,该方法将继续被应用到未来的研究之中.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	陈兴国	南京邮电大学江苏省大数据安全与智能处理重点实验室	5	78	3.0	5.0
5	徐修颖	南京邮电大学江苏省大数据安全与智能处理重点实验室	1	0	0.0	0.0
6	陈康扬	南京邮电大学江苏省大数据安全与智能处理重点实验室	1	0	0.0	0.0
7	杨光	南京邮电大学江苏省大数据安全与智能处理重点实验室	1	0	0.0	0.0