分类器集成算法研究  

Research on Classifier Ensemble Algorithms

作　　者：周星[1,2,3] 丁立新[1,2] 万润泽[1,2] 葛强[3] 

机构地区：[1]武汉大学软件工程国家重点实验室,湖北武汉430072 [2]武汉大学计算机学院,湖北武汉430072 [3]河南大学计算机与信息工程学院,河南开封475004

出　　处：《武汉大学学报（理学版）》2015年第6期503-508,共6页Journal of Wuhan University:Natural Science Edition

基　　金：中央高校基本科研业务费专项资金(2012211020209);广东省省部产学研结合专项(2011B090400477);河南省科技攻关计划(142102210397);河南省高等学校重点科研项目(15A520008)

摘　　要：分类器集成作为机器学习算法设计的一种重要策略,具有高泛化性能的优点,已广泛应用于遥感、生物信息、图像处理等领域,逐渐成为研究热点.以三种常用的集成方法bagging、boosting和stacking为线索,分别从算法思想、算法评价、算法改进与变种、算法应用等角度进行探讨,为构建高准确率分类器集成系统建立指导.最后,对分类器集成算法的未来发展方向进行了展望.As an important strategy of machine learning algorithm design,classifier ensemble has the advantage of higher generalization ability and has been widely used in many difficult real-world applications such as remote sensing,bioinformatics,image processing,and becomes a hot research topic.This paper presents and discusses three wellknown ensemble techniques,i.e.,bagging,boosting and stacking,from different aspects such as：algorithm design idea,pros and cons,improvements and variants,applications to guide researchers to build a more accurate classifier ensemble.Finally,the directions of future studies in this field are summarized.

关 键 词：分类器集成 集成学习 泛化性能 多样性 BAGGING BOOSTING STACKING 

分 类 号：TP391[自动化与计算机技术—计算机应用技术]