一种提高神经网络集成差异性的学习方法

被引：9

作者：

李凯

黄厚宽

机构：

[1] 河北大学数学与计算机学院

[2] 北京交通大学计算机与信息技术学院河北保定

[3] 北京交通大学计算机与信息技术学院

[4] 北京

来源：

电子学报 | 2005年 / 08期

关键词：

神经网络; 集成; 小规模数据集; 差异性; 泛化;

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：

集成学习已经成为机器学习的研究方向之一,它可以显著地提高分类器的泛化性能.本文分析了Bag-ging及AdaBoost集成方法,指出了这两种方法的缺陷;然后提出了一种新的基于神经网络的分类器集成方法DBNNE,该方法通过生成差异数据增加集成的差异性;另外,当生成一个分类器后,采用了测试方法确保分类器集成的正确率;最后针对十个标准数据集进行了实验研究,结果表明集成算法DBNNE在小规模数据集上优于Bagging及AdaBoost集成方法,而在较大数据集上也不逊色于这两种集成方法.

引用

页码：1387 / 1390

页数：4