-
题名删除最差基学习器来层次修剪Bagging集成
被引量：9
- 1
-
-
作者
谢元澄
杨静宇
-
机构
南京理工大学计算机学院
-
出处
《计算机研究与发展》
EI
CSCD
北大核心
2009年第2期261-267,共7页
-
文摘
主要目的是寻找到一种Bagging的快速修剪方法,以缩小算法占用的存储空间、提高运算的速度和实现提高分类精度的潜力.传统的选择性集成方法研究的重点是基学习器之间的差异化,从同质化的角度来研究这一问题,提出了一种全新的选择性集成思路.通过选择基学习器集合中的最差者来对Bagging集成进行快速层次修剪,获得了一种学习速度接近Bagging性能在其基础上得到提高的新算法.新算法的训练时间明显小于GASEN而性能与其相近.该算法同时还保留了与Bagging相同的并行处理能力.
-
关键词
选择性集成
差异化
同质化
层次修剪
并行计算
个体学习器
-
Keywords
selective ensemble
diversity
agreement
hierachical pruning
parallel computing
component learner
-
分类号
TP181
[自动化与计算机技术—控制理论与控制工程]
-
-
题名基于基学习器差异度的层次化Bagging集成修剪
- 2
-
-
作者
谢元澄
杨静宇
-
机构
南京理工大学计算机与技术学院
-
出处
《信息与控制》
CSCD
北大核心
2009年第4期449-454,共6页
-
文摘
本文主要目的是寻找到Bagging的一种快速修剪方法,以缩小算法占用的存储空间、提高运算速度和实现提高分类精度的潜力;还提出一种直接计算基学习器差异度的新选择性集成思想.选择出基学习器集合中对提升其余基学习器差异度能力最强者进行删除,通过层次修剪来加速这一算法.在不影响性能的基础上,新算法能够大幅度缩小Bagging的集成规模;新算法还支持并行计算,其进行选择性集成的速度明显优于GASEN.本文还给出了集成学习分类任务的误差上界.
-
关键词
选择性集成
差异度
层次修剪
并行计算
基学习器
个体学习器
-
Keywords
selective ensemble
diversity
hierarchical pruning
parallel computation
base learner
component learner
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于层次修剪和加权投票的图像隐写分析
- 3
-
-
作者
曹镇
张敏情
张英男
狄富强
-
机构
武警工程大学密码与信息安全保密重点实验室
-
出处
《计算机工程与设计》
北大核心
2017年第9期2432-2437,共6页
-
基金
国家自然科学基金项目(61379152)
-
文摘
针对用于图像隐写分析的集成分类器集成规模较大,集成方法未体现基分类器之间预测性能的差异等问题,提出一种基于层次修剪和加权投票的图像隐写分析算法。利用Bagging(bootstrap aggregation)算法得到若干基分类器,使用基于差异度的层次修剪算法对基分类器进行选择性集成,剔除部分基分类器,提高分类器整体分类精度与整体差异度,根据Fisher距离计算各基分类器的投票权值,基于加权投票机制进行集成判决。实验结果表明,与传统完全集成的集成分类器相比,该算法减少了2/3的基分类器数量,降低了5%的检测错误率,在选择性集成的速度上,优于基于遗传算法的集成分类器。
-
关键词
隐写分析
集成分类器
层次修剪
加权投票
差异度
-
Keywords
steganalysis
ensemble classifiers
hierarchical pruning
weighted vote
diversity
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
