基于合群度-隶属度噪声检测及动态特征选择的改进AdaBoost算法

• 作者: 王友卫 凤丽洲
• 来源期刊: 浙江大学学报（工学版）
• 关键词: 集成学习 数据分类 噪声检测 特征选择 样本权重
• 年，卷（期）: 2021,（2）
• 所属期刊栏目: 计算机与控制工程|Computer and Control Engineering
• 页码范围: 367-376
• 页数: 10页
• 分类号: TP311
• 语种: 中文
• DOI: 10.3785/j.issn.1008-973X.2021.02.017

摘要

为了提高AdaBoost集成学习算法的数据分类性能,提出基于合群度-隶属度噪声检测及动态特征选择的改进AdaBoost算法.综合考虑待检测样本与邻居样本的相似度及与不同类别样本集的隶属关系,引入合群度和隶属度的概念,提出新的噪声检测方法.在此基础上,为了更好地选择那些能够有效区分错分样本的特征,在传统过滤器特征选择方法的基础上提出通用的结合样本权重的动态特征选择方法,以提高AdaBoost算法针对错分样本的分类能力.以支持向量机作为弱分类器,在8个典型数据集上分别从噪声检测、特征选择及现有方法比较3个方面进行实验.结果表明,所提算法充分考虑了噪声样本和样本权重对AdaBoost分类结果的影响,相对于传统算法在分类性能上获得显著提升.