.png){kind=icon}
返回
Clustering ensemble pruning algorithm based on vec2vec classifier representation
.png){kind=icon}
OA
AI
DOI：10.1007/s44443-025-00030-5.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
集成学习的互补性主要源于其分类器成员之间的多样性，这通常通过计算分类器之间的相似度或距离来评估。然而，传统的相似度或距离计算方法受限于分类器的表示方式，可能无法准确反映它们之间的真实关系，导致集成剪枝性能不佳。为解决此问题，本研究提出了一种新的分类器表示范式和集成剪枝算法（Vec2Q-CEEP）。首先，我们通过空间映射转换分类器的表示方式，克服了传统相似度计算方法的局限性，丰富了分类器多样性的计算方式，并增强了分类器之间的可区分性。此外，我们引入了一种新的相似度度量方法，该方法整合了原始空间和映射空间中的分类器信息，能够更全面地评估分类器之间的关系。在12个UCI数据集上进行广泛实验后，实验结果表明该算法优于几种当前最先进的集成剪枝算法，从而验证了其有效性和可行性。
Keyword:
Ensemble pruning
Classifier representation
Ensemble learning
Classifier ensemble
Classifier selection
期刊
J
IF:
6.1
论文数:
109
被引数:
9.5K
机构
暂无机构信息
引用论文
Diversity, accuracy and efficiency in ensemble learning: An unexpected result多样性、准确性和效率在集成学习中的意外结果
PREAI
分享收藏Graph-based dynamic ensemble pruning for facial expression recognition基于图的动态集成剪枝的人脸表情识别.png)
APPLIED INTELLIGENCE
APPLIED INTELLIGENCEIF3.5
PREAI
分享收藏分享收藏
查看更多内容