基于双错测度的极限学习机选择性集成方法

• 作者: 倪丽萍 倪志伟 夏平凡 朱旭辉
• 来源期刊: 电子与信息学报
• 学科: 工学
• 关键词: 选择性集成 双错测度 极限学习机
• 年，卷（期）: 2020,（11）
• 所属期刊栏目: 论文
• 页码范围: 2756-2764
• 页数: 9页
• 分类号: TP391
• 语种: 中文
• DOI: 10.11999/JEIT190617

摘要

极限学习机(ELM)具有学习速度快、易实现和泛化能力强等优点,但单个ELM的分类性能不稳定.集成学习可以有效地提高单个ELM的分类性能,但随着数据规模和基ELM数目的增加,计算复杂度会大幅度增加,消耗大量的计算资源.针对上述问题,该文提出一种基于双错测度的极限学习机选择性集成方法(DFSEE),同时从理论和实验的角度进行了详细分析.首先,运用bootstrap方法重复抽取训练集,获得多个训练子集,在ELM上进行独立训练,得到多个具有较大差异性的基ELM,构成基ELM池;其次,计算出每个基ELM的双错测度,将基ELM按照双错测度的大小进行升序排序;最后,采用多数投票算法,根据顺序将基ELM逐个累加集成,直至集成精度最优,即获得基ELM最优子集成,并分析了其理论基础.在10个UCI数据集上的实验结果表明,较其他方法使用了更小规模的基ELM,获得了更高的集成精度,同时表明了其有效性和显著性.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	倪志伟		136	1346	21.0	27.0
2	倪丽萍		31	305	10.0	16.0
3	朱旭辉		29	209	8.0	14.0
4	夏平凡		2	0	0.0	0.0