基于精简随机子空间的多生成树集成一类分类算法

作者：胡正平; 刘凯

来源：模式识别与人工智能, 2013, (04): 351-356.

DOI：10.16451/j.cnki.issn1003-6059.2013.04.003

• 一类分类器
• 随机子空间
• 集成学习
• 最小生成树
• 精简集成 One-Class Classifier
• Random Subspace
• Ensemble Learning
• Minimum Spanning Tree
• Pruning Ensemble

由于高维数据通常存在冗余和噪声,在其上直接构造覆盖模型不能充分反映数据的分布信息,导致分类器性能下降.为此提出一种基于精简随机子空间多树集成分类方法.该方法首先生成多个随机子空间,并在每个子空间上构造独立的最小生成树覆盖模型.其次对每个子空间上构造的分类模型进行精简处理,通过一个评估准则(AUC值),对生成的一类分类器进行精简.最后均值合并融合这些分类器为一个集成分类器.实验结果表明,与其它直接覆盖分类模型和bagging算法相比,多树集成覆盖分类器具有更高的分类正确率.

• 单位
  燕山大学