基于混淆矩阵的分类器选择集成方法研究

基于混淆矩阵的分类器选择集成方法研究

ID:35067451

大小:2.01 MB

页数:54页

时间:2019-03-17

基于混淆矩阵的分类器选择集成方法研究_第1页
基于混淆矩阵的分类器选择集成方法研究_第2页
基于混淆矩阵的分类器选择集成方法研究_第3页
基于混淆矩阵的分类器选择集成方法研究_第4页
基于混淆矩阵的分类器选择集成方法研究_第5页
资源描述:

《基于混淆矩阵的分类器选择集成方法研究》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库

1、全日制硕士学术学位论文基于混淆矩阵的分类器选择集成方法研究申请人姓名:张盼指导教师:米爱中学位类别:工学硕士专业名称:软件工程研究方向:复杂系统建模仿真河南理工大学计算机科学与技术学院二○一六年六月河南理工大学声明学位论文原创性法研九,疋我于混渚矩阵的分类器选择集成方-呈交的学位论文:基本人郑重声明:所宄工作及取得的研究成果。论文中除了特别加以标注和致谢的地个人在导师指导下进行的研任何其他个人或集体己经公开发表或撰写过的研宄成果。其他同志对本研宄的方外,不包含声明并表示了谢意。启发和所做的

2、贡献均己在论文中作了明确的一本人愿意承担因本学位论文引发的切相关责任。学位论文作者签名:&分年月日河南理工大学学位论文使用授权声明工大学有关保留、使用学位论文的规定:学本学位论文作者及导师完全了解河南理,即校有权保留和向有关部门、机构或单位送交论文的复印件和电子版,允许论文被查阅和借阅,允许将本学位论文的全部或部分内容编入有关数据库进行检索和传播,允许采用任何方式公布论文内容,并可以采用影印、缩印、扫描或其他手段保存、汇编、出版本学位论文。保密的学位论文在解密后适用本授权。

3、学位论文作者签名:甜V导师签名:辦1〇t年6月t曰l年^月6曰r中图分类号:TP391密级:公开UDC:004单位代码:10460基于混淆矩阵的分类器选择集成方法研究ResearchontheMethodofClassifierSelectionIntegrationbasedonConfusionMatrix申请人姓名张盼申请学位工学硕士学科专业软件工程研究方向复杂系统建模仿真导师米爱中职称副教授提交日期2016.04.20答辩日期2016.06.04河南理工大学致谢在论文即将完成之际,三年

4、的研究生生活也接近了尾声。在河南理工大学学习和论文写作期间,我有幸得到了许多老师和同学无私的帮助,在这里谨向他们表示我最诚挚的谢意!首先向我的导师米爱中致以衷心的感谢和深深的敬意。感谢导师在我三年硕士期间对我学习和研究上给予的悉心指导、亲切关怀和热情帮助。米老师深厚的学术功底、严谨的治学精神、忘我的工作精神给我留下了深刻的印象,也为我以后的工作和学习树立了榜样,让我获益匪浅。我要感谢我的父母,他们的言传身教让我获益至今。在我多年的求学过程中,是他们一直在背后不遗余力的支持我。当我遇到困难的时候,他们的鼓励和帮助让

5、我总是对生活永远充满信心。感谢父母对我十几年来的无私奉献,是你们在我失落时不断的鼓励我、支持我,让我走到了现在。感谢我的朋友们,谢谢刘雯、王晓杰、陈静,谢谢你们对我默默地支持和帮助,三年来与你们在一起朝夕相处,愉快的学习和生活经历让我增添了人生中很多宝贵又难忘的时光。在与你们的交流中,我的能力才有了进一步的提高。最后,衷心的感谢评阅论文和参加答辩的各位专家、教授。摘要集成学习是机器学习领域的重要研究方向,它通过训练多个个体分类器并把它们组合起来形成多分类器系统,以此来提高分类性能。但是随着计算机技术的发展,数据量

6、的增大,参与集成的分类器也就越来越多,这样一方面计算量迅速增长,另一方面,分类器之间的差异度也变小,影响了集成的准确性,而一个有效的集成系统需要参与集成的分类器具有比较高的准确性和差异性。研究表明,从训练产生的基分类器中选择一部分来集成,这种方法可能比使用全部的基分类器来进行集成效果更好。因此,从大量的基分类器中选择出具有高差异性的分类器作为代表参与集成,已成为集成学习的一个研究趋势,需要进行更加深入的研究。本文在集成学习的基础上,首先介绍了多分类器集成的国内外研究背景和意义,总结了集成学习的国内外研究现状。其次

7、介绍了集成学习的概念和两种经典的集成算法Bagging和Boosting算法,接着,分别列举了乘积规则、求和规则等6种集成规则。然后从差异性度量公式的角度出发,介绍了差异性度量的概念,以及常用的度量公式。最后提出了一种新的多分类器选择性方法,具体方法是构造所有基分类器的混淆矩阵作为聚类算法的数据对象,依据各聚类中样本的分布情况,选择出一定数量的分类器作为代表,构成新的待集成分类器集合,然后把这个方法应用于Bagging的训练过程中。为了验证本文方法的可行性,在UCI数据集上进行实验,将本文的方法应用于Baggin

8、g算法的训练过程得到的实验结果与使用原始的Bagging算法得到的结果进行比较,表明,该方法可以有效提高集成系统的准确率。并选择不同的集成规则进行集成,对结果进行分析。关键词:多分类器系统;选择性集成;混淆矩阵;聚类IAbstractIntegratedLearningisanimportantresearchdirectioninthefieldofmachinelea

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。