libd3c2.0基于聚類的集成分類器與并行化實(shí)現(xiàn)

1、廈門大學(xué)學(xué)位論文原創(chuàng)性聲明本人呈交的學(xué)位論文是本人在導(dǎo)師指導(dǎo)下，獨(dú)立完成的研究成果。本人在論文寫作中參考其他個(gè)人或集體已經(jīng)發(fā)表的研究成果，均在文中以適當(dāng)方式明確標(biāo)明，并符合法律規(guī)范和《廈門大學(xué)研究生學(xué)術(shù)活動(dòng)規(guī)范( 試行) 》。另外，該學(xué)位論文為( ) 課題( 組)的研究成果，獲得( ) 課題( 組) 經(jīng)費(fèi)或?qū)嶒?yàn)室的資助，在( ) 實(shí)驗(yàn)室完成。( 請(qǐng)?jiān)谝陨侠ㄌ?hào)內(nèi)填寫課題或課題組負(fù)責(zé)人或?qū)嶒?yàn)室名稱，未有此項(xiàng)聲明內(nèi)容的，可以不作特別聲明。)’

2、聲明人( 簽名) ：翻、3 乏強(qiáng)p Ⅳ年x 月坊1 9摘要摘要集成學(xué)習(xí)的主要思想是融合多個(gè)分類學(xué)習(xí)算法的分類性能來提高整體分類算法的泛化能力。構(gòu)建一個(gè)具有多樣性／差異度大的弱分類學(xué)習(xí)算法集合是集成學(xué)習(xí)取得高泛化能力的關(guān)鍵。對(duì)于弱分類器的構(gòu)建的直觀的想法是構(gòu)建大量的弱分類器，以獲得更強(qiáng)的泛化性能。然而大量的弱分類器對(duì)現(xiàn)有的計(jì)算和存儲(chǔ)能力提出了更高的要求，同時(shí)弱分類器的差異性也難以獲得。針對(duì)此問題，周志華等人提出的選擇性集成理論指出集成小規(guī)

3、模的弱分類器就可以得到預(yù)測(cè)性能更優(yōu)的集成分類器，理論分析和實(shí)驗(yàn)表明，該方法能夠取得比B o o s t i n g 和B a g g i n g 等傳統(tǒng)的集成學(xué)習(xí)算法更好的泛化性能。本文在深入學(xué)習(xí)選擇性集成分類器的基礎(chǔ)上，從集成分類器的弱分類器構(gòu)建、分類器候選子集的選擇以及弱分類器的集成等方面進(jìn)行了相關(guān)研究。( 1 ) 弱分類器的生成階段：考慮原始數(shù)據(jù)集的分布特征，提出了對(duì)原始數(shù)據(jù)集進(jìn)行數(shù)據(jù)子集切分和特征子集切分的方式，使用切分后的訓(xùn)練

4、集訓(xùn)練分類器。保證弱分類器預(yù)測(cè)性能同時(shí)構(gòu)建出更具多樣性的弱分類器集合。( 2 ) 弱分類器候選子集選擇階段：選用一種合適的差異性度量方式，通過聚類算法，從弱分類器集合中選擇預(yù)測(cè)能力高并且相互之間差異度最大的候選子集，進(jìn)行下一階段的分類器集成。( 3 ) 弱分類器集成階段：采取改進(jìn)的動(dòng)態(tài)選擇與循環(huán)集成框架，對(duì)候選弱分類器子集進(jìn)行集成，在保證分類器的集成性能的同時(shí)避免使用枚舉弱分類器時(shí)的組合爆炸問題。( 4 ) 此外，本文還研究了在需要生成