基于改进的ReliefF算法的神经网络集成分类模型  

Neural Networks Ensemble classified Method Based on improved ReliefF

作　　者：朱远枫[1] 章晶[1] 史娜 ZHU Yuan-feng, ZHANG Jing, SHI Na （Key Laboratory of Intelligent Computing ＆ Signal Processing of Ministry of Education, Hefei 230039, China）

机构地区：[1]安徽大学计算智能与信号处理教育部重点实验室,合肥安徽230039

出　　处：《电脑知识与技术》2009年第3期1699-1700,共2页Computer Knowledge and Technology

基　　金：基金项目：973计划（国家重点基础研究）（三级课题）《基于商空间的（从数据中）自动获取信息的构造性算法的研究》（2004CB318108）

摘　　要：为进一步提高集成学习中各个神经网络的差异性，该文采用了一种改进的特征选择方法一基于概率抽样的ReliefF算法，并将其引入到集成所用的Bagging方法中。实验结果表明，该文提出的基于改进的KelietT算法的神经网络集成分类模型的泛化能力优于Bagging方法。In order to improve the diversity of each network in Neural Networks Ensemble ,an improved feature selection method called probability sampling- ReliefF was adopped in the Bagging. Experiments on a UCI dataset showed that the method in this paper had a higher accuracy.

关 键 词：特征选择 RELIEFF算法 神经网络集成 差异性 

分 类 号：TP18[自动化与计算机技术—控制科学与工程;自动化与计算机技术—控制理论与控制工程]