一种深度置信提升网络集成分类模型

• 作者: 宋晓明 曲文龙 阚明阳 汪慎文
• 来源期刊: 重庆理工大学学报（自然科学版）
• 学科: 工学
• 关键词: 深度置信网络 级联结构 集成学习 分类
• 年，卷（期）: 2021,（1）
• 所属期刊栏目: 信息·计算机
• 页码范围: 168-179
• 页数: 12页
• 分类号: TP181
• 语种: 中文
• DOI: 10.3969/j.issn.1674-8425(z).2021.01.022

摘要

针对前大数据环境下浅层机器学习模型提取特征能力不足、分类能力有限等问题,提出了一种深度置信提升网络集成分类模型.该模型采用集成深度置信网络(deep belief net-works,DBN)进行特征提取,克服了单一模型特征提取能力不足的问题;采用极端梯度提升决策树(eXtreme gradient boosting,XGBoost)和梯度提升决策树(gradient boost decision tree,GBDT)构建深层提升网络,对提取特征进行多层特征深度学习,采用相对多数投票法输出分类结果.基于4个UCI公开数据集和MNIST数据集对提出模型进行了检测实验,实验结果表明:提出模型较深度置信网络、极限梯度提升树和DBN-XGBDT等3种模型的准确率分别提升了13.8％、6.98％和4.18％.