基于属性组合的集成学习算法

计算机应用 ›› 2010, Vol. 30 ›› Issue (2): 465-468.

基于属性组合的集成学习算法

付忠良¹,赵向辉²,苗青²,姚宇³

1. 中科院成都计算机应用研究所
2. 中国科学院成都计算机应用研究所
3.

收稿日期:2009-08-26 修回日期:2009-10-27 发布日期:2010-02-10 出版日期:2010-02-01
通讯作者: 付忠良
基金资助:
四川省科技攻关基金项目;四川省科技支撑计划基金项目

Ensemble learning algorithm on attribute combination

Received:2009-08-26 Revised:2009-10-27 Online:2010-02-10 Published:2010-02-01

摘要/Abstract

摘要： 针对样本由数字属性构成的分类问题，在AdaBoost算法流程基础上，改传统的基于单属性分类器构造方法为基于组合属性分类器构造方法，提出了一种基于样本属性线性组合的集成学习算法。对属性组合系数的构造，提出了一般性的构造思路，按照该思路，提出了几种具体的组合系数构造方法，并对构造方法的科学合理性进行了分析。利用UCI机器学习数据集中的数据对提出的方法进行了实验与分析，结果表明，基于属性组合的集成学习算法不仅有是有效的，而且比传统AdaBoost算法好

关键词: AdaBoost算法, 属性组合, 集成学习, 分类器组合

Abstract: Concerning the classification of samples being composed of digital attributes, an ensemble learning algorithm based on linear combination of samples attributes was proposed. It constructed classifiers based on combined attributes instead of single attribute by traditional AdaBoost algorithm. The general construction idea for attribute combination coefficients was put forward. In accordance with the idea, several concrete construction methods for combination coefficients were given and analyzed to be scientific and reasonable. The experimental results on UCI machine learning dataset illustrate that the ensemble learning algorithm based on attribute combination is effective and outperforms AdaBoost algorithm.

Key words: AdaBoost algorithm, attribute combination, ensemble learning, classification combination

付忠良赵向辉苗青姚宇. 基于属性组合的集成学习算法[J]. 计算机应用, 2010, 30(2): 465-468.

[1]	毛铭泽, 曹芮浩, 闫春钢. 基于权值多样性的半监督分类算法[J]. 计算机应用, 2021, 41(9): 2473-2480.
[2]	余东昌, 赵文芳, 聂凯, 张舸. 基于LightGBM算法的能见度预测模型[J]. 计算机应用, 2021, 41(4): 1035-1041.
[3]	秦静, 左长青, 汪祖民, 季长清, 王宝凤. 基于堆叠分类器的心电异常监测模型设计[J]. 计算机应用, 2021, 41(3): 887-890.
[4]	罗长银, 陈学斌, 马春地, 王君宇. 面向区块链的在线联邦增量学习算法[J]. 计算机应用, 2021, 41(2): 363-371.
[5]	周超然, 赵建平, 马太, 周欣. 基于注意力机制和集成学习的网页黑名单判别方法[J]. 计算机应用, 2021, 41(1): 133-138.
[6]	王俊红, 闫家荣. 基于欠采样和代价敏感的不平衡数据分类算法[J]. 计算机应用, 2021, 41(1): 48-52.
[7]	顾桐, 许国良, 李万林, 李家浩, 王志愿, 雒江涛. 基于集成LightGBM和贝叶斯优化策略的房价智能评估模型[J]. 计算机应用, 2020, 40(9): 2762-2767.
[8]	刘丹, 姚立霜, 王云锋, 裴作飞. 面向类不平衡流量数据的分类模型[J]. 计算机应用, 2020, 40(8): 2327-2333.
[9]	汪权方, 张梦茹, 张雨, 汪倩倩, 陈龙跃, 杨宇琪. 基于视觉注意机制的大范围水体信息遥感智能提取[J]. 计算机应用, 2020, 40(4): 1038-1044.
[10]	刘然, 刘宇, 顾进广. 基于自适应学习率优化的AdaNet改进[J]. 计算机应用, 2020, 40(10): 2804-2810.
[11]	苏俊宁, 叶东毅. 基于样本密度峰值的不平衡数据欠抽样方法[J]. 计算机应用, 2020, 40(1): 83-89.
[12]	王忠震, 黄勃, 方志军, 高永彬, 张娟. 改进SMOTE的不平衡数据集成分类算法[J]. 计算机应用, 2019, 39(9): 2591-2596.
[13]	尹玉, 詹永照, 姜震. 伪标签置信选择的半监督集成学习视频语义检测[J]. 计算机应用, 2019, 39(8): 2204-2209.
[14]	章宁, 陈钦. 基于AUC及Q统计值的集成学习训练方法[J]. 计算机应用, 2019, 39(4): 935-939.
[15]	杨震, 王红军. 基于Adaboost-Markov模型的移动用户位置预测方法[J]. 计算机应用, 2019, 39(3): 675-680.