.png){kind=icon}
返回
Discovering Voting Power for Ensemble Methods
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-02049-9_28.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
集成方法通过某种形式的加权投票聚合多个模型的预测。在本工作中，我们考虑为每个个体模型分配投票权重选择对集成方法性能的影响。我们使用标准分类器和主流分类基准，对不同的加权投票集成方法的准确性和运行时间进行了实证和比较评估。结果表明，加权投票集成优于等权重基准，且投票权重的无监督学习可与监督学习竞争；在监督方法中，通过Shapley值和回归学习投票权重优于仅使用准确率。
Keyword:
Ensemble Methods
Voting Power
Shapley Values
Inverse Entropy
Truth Discovery
Classification
期刊
D
IF:
0
论文数:
25
被引数:
0
机构
引用论文
Classification of Skin Lesions Using Weighted Majority Voting Ensemble Deep Learning.png)
Algorithms
OAAI
AlgorithmsIF0
OAAI分享收藏The MNIST Database of Handwritten Digit Images for Machine Learning Research [Best of the Web]用于机器学习研究的手写数字图像MNIST数据库 [Best of The Web]
PREAI
分享收藏Sensor-Assisted Weighted Average Ensemble Model for Detecting Major Depressive DisorderSENSORS
OAAI
SENSORSIF3.5
OAAI分享收藏
查看更多内容