结合模糊聚类的多示例集成算法

作者：韩海韵; 杨有龙; 孙丽芹

来源：计算机工程与应用, 2021, 1-13.

• 多示例学习
• 模糊聚类
• 随机子空间
• 示例选择
• 集成学习

针对许多多示例算法都对正包中的示例情况做出假设的问题，提出了结合模糊聚类的多示例集成算法（ISFC）。首先，结合模糊聚类和多示例学习中负包的特点，提出了“正得分”的概念，用于衡量示例标签为正的可能性，降低了多示例学习中示例标签的歧义性；然后，考虑到多示例学习中将负示例分类错误的代价更大，设计了一种包的代表示例选择策略，选出的代表示例作为基分类器的训练子集；最后，结合各基分类器的结果，确定包的最终标签。ISFC算法对正包中正示例的比例未做任何假设，同时能够解决正包数量多、负包数量少情况下的类别不平衡问题。实验结果表明，ISFC在药物分子活性预测、图像分类、文本分类任务上都取得了较好的分类效果。

• 单位
  西安电子科技大学