一种自适应权重的多分类通用集成方法

作者：魏军胜; 刘琰; 陈静; 段顺然

来源：计算机科学, 2022, 49(11): 212-220.

• 集成学习
• 权重
• 分类
• 融合
• 通用方法

集成学习一直是构建强大和稳定的预测模型的策略之一，它能通过融合多个模型来提升结果的准确性和稳定性。但是，现有的集成方法在权重计算上还存在一定的缺陷，面对多种分类问题时无法自适应地选择集成权重，不具有通用性。针对以上问题，提出了一种自适应权重的多分类通用集成方法(UMEAW)。与通常的集成分类方法只针对一种分类任务不同，UMEAW面对不同的分类问题，首先根据分类个数计算权重调配系数，然后利用指数函数分布特性，根据模型评价指标与权重调配系数自动计算一次模型融合的权重，最后通过不断迭代的方法自适应地调整融合权重，实现不同分类任务下的模型融合。实验结果表明，UMEAW在9个不同分类个数、不同领域、不同规模的数据集上都能实现模型融合，其融合效果在大部分任务上都优于基线方法。与单个模型相比，用UMEAW融合后的结果F1值稳定增加了3%～25%;与其他集成方法相比，F1值稳定提升了1%～2%,证明了UMEAW的通用性和有效性。

• 单位
  信息工程大学