流行的集合方法:一个实证研究

Scidown文献预览系统！

作者：scidown 发布时间：2021-06-18 19:50:35 文章标题：

流行的集合方法:一个实证研究( Popular Ensemble Methods: An Empirical Study )

文章作者：

D Opitz R Maclin Computer Science - Artificial Intelligence

文章简述：

一个集成由一组单独训练的分类器（如神经网络或决策树）组成，它们的预测在分类新实例时被组合在一起。以前的研究表明，一个集合通常比集合中的任何一个单个分类器更精确。Bagging(Breiman，1996c)和Boosting（Freund and Shapire，1996；Shapire，1990)是两种较新但流行的组合制作方法。在本文中，我们使用神经网络和决策树作为我们的分类算法，在23个数据集上评估了这些方法。我们的结果清楚地表明了一些结论。首先，尽管Bagging几乎总是比单个分类器更精确，但有时它的精度远低于boosting。另一方面，Boosting可以创建比单个分类器更不精确的集合--尤其是在使用神经网络时。分析表明,Boosting方法的性能取决于被检查数据集的特征。事实上，进一步的结果表明Boosting系综可能会过拟合有噪声的数据集，从而降低其性能。最后，与前人的研究一致，我们的工作表明，集合性能的大部分增益来自于前几个分类器的组合；然而，当提升决策树时，最多可以看到25个分类器的相对较大的收益。

文章下载地址（开放版）：