一种基于混淆矩阵的分类器选择方法  

A method of classifier selection based on confusion matrix

作　　者：米爱中[1] 张盼[1] 

机构地区：[1]河南理工大学计算机科学与技术学院,焦作河南454000

出　　处：《河南理工大学学报（自然科学版）》2017年第2期116-121,共6页Journal of Henan Polytechnic University（Natural Science）

基　　金：河南省软科学研究计划项目(152400410513);河南省高等学校重点科研项目(15A520017)

摘　　要：为充分利用分类器的差异性来提高分类器集成的准确率,提出一种分类器选择方法。基本思想是构造所有基分类器的混淆矩阵作为聚类算法的数据对象,根据各聚类中样本的分布选择出一定数量的分类器作为代表,构成新的待集成分类器集合。将该方法应用于Bagging算法的训练过程,通过实验对比,验证了该方法确实可以提高分类器集成性能。In order to take fully advantage of the diversity of classifier to improve the accuracy of classifiers ensemble,a classifier selection method is presented.The basic idea is to construct all base classifiers confusion matrix as cluster of data objects,and select a certain number of classification according to the distribution of the cluster sample as a representative,to be integrated to form a new collection of classifier.The method is applied to the training process Bagging algorithm,it is verified that the method can indeed improve the classifier ensemble performance through experiment.

关 键 词：多分类器系统 选择性集成 混淆矩阵 聚类 

分 类 号：TP391[自动化与计算机技术—计算机应用技术]