.png){kind=icon}
返回
Feature Selection Inspired Classifier Ensemble Reduction
.png){kind=icon}
OA
AI
DOI：10.1109/TCYB.2013.2281820.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
分类器集成是机器学习和数据挖掘的主要研究方向之一。使用多个分类器通常允许比使用单个模型可实现的预测性能更好的预测性能。文献中存在几种方法，这些方法提供了构建和聚合此类集合的方法。但是，这些集成系统包含冗余成员，如果将其删除，可能会进一步增加组多样性并产生更好的结果。较小的集成也放宽了内存和存储要求，降低了系统的运行时开销，同时提高了整体效率。本文通过将集成预测转换为训练样本并将分类器视为特征，扩展了针对特征选择问题开发的思想，以支持分类器集成减少。此外，全局启发式和声搜索用于选择此类人工特征的缩减子集，同时尝试最大化特征子集评估。使用高维和大尺寸的基准数据集对所得技术进行系统评估，显示出对原始的，未简化的集合和随机形成的子集的出色分类性能。
Keyword:
Classifier ensemble reduction
feature selection
harmony search
期刊
IF:
10.5
论文数:
1.1W
被引数:
5.0W
机构
引用论文
.png){kind=icon}
Electrical Conductivity of Reproductive Tissue for Detection of Estrus in Dairy Cows用于检测奶牛发情的繁殖组织电导率
OAAI
OAAI分享收藏Adaptive Impedance Control to Enhance Human Skill on a Haptic Interface System自适应阻抗控制以增强触觉接口系统上的人类技能OAAI
OAAI分享收藏分享收藏分享收藏
查看更多内容