基于k-means聚类的神经网络分类器集成方法研究

被引：7

作者：

李凯 ^{[1
]}

常圣领 ^{[2
]}

机构：

[1] 河北大学数学与计算机学院

[2] 河北省机器学习与计算智能重点实验室

来源：

计算机工程与应用 | 2009年 / 45卷 / 22期

关键词：

差异性; 集成学习; 分类器; 聚类;

D O I：

暂无

中图分类号：

TP183 [人工神经网络与计算];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ;

摘要：

针对差异性是集成学习的必要条件,研究了基于k-means聚类技术提高神经网络分类器集成差异性的方法。通过训练集并使用神经网络分类器学习算法训练许多分类器模型,在验证集中利用每个分类器的分类结果作为聚类的数据对象;然后应用k-means聚类方法对这些数据聚类,在聚类结果的每个簇中选择一个分类器代表模型,以此构成集成学习的成员;最后应用投票方法实验研究了这种提高集成学习差异性方法的性能,并与常用的集成学习方法bagging、adaboost进行了比较。

引用

页码：120 / 122+149 +149

页数：4

共 4 条

[1] Pairwise fusion matrix for combining classifiers [J].

Ko, Albert H. R. ;

Sabourin, Robert ;

Britto, Alceu de Souza, Jr. ;

Oliveira, Luiz .

PATTERN RECOGNITION, 2007, 40 (08) :2198-2210

[2] Decision trees using model ensemble-based nodes [J].

Altincay, Hakan .

PATTERN RECOGNITION, 2007, 40 (12) :3540-3551

[3]

Ensembling neural networks: Many could be better than all[J] . Zhi-Hua Zhou,Jianxin Wu,Wei Tang.Artificial Intelligence . 2002 (1)

[4]

Design of effective neural network ensembles for image classification purposes[J] . Giorgio Giacinto,Fabio Roli.Image and Vision Computing . 2001 (9)

← 1 →