基于集成学习的适于多类问题的神经网络集成模型

资 源 简 介

将多类别问题分解成多个二类别问题是解决多类别分类问题的常用方式。传统one against all（OAA）分解方式的性能更多的依赖于个体分类器的精度，而不是它的差异性。本文介绍一种基于集成学习的适于多类问题的神经网络集成模型，其基本模块由一个OAA方式的二类别分类器和一个补充多类分类器组成。测试表明，该模型在多类问题上比其他经典集成算法有更高的精度，并且有较少存储空间和计算时间的优势。

详 情 说 明

将多类别问题分解成多个二类别问题是解决多类别分类问题的一种常用方式。传统的one against all（OAA）分解方法更多地依赖于个体分类器的准确性，而不是它们的差异性。本文介绍了一种基于集成学习的适用于多类问题的神经网络集成模型，该模型由一个采用OAA方式的二类别分类器和一个补充的多类分类器组成。测试结果表明，该模型在处理多类问题时具有比其他经典集成算法更高的准确性，并且在存储空间和计算时间方面具有较少的需求。