基于实例的强分类器快速集成方法
来源：计算机应用杂志2017年第4期北京时间：
作者：许业旺, 王永利, 赵忠文
单位：1. 南京理工大学 计算机科学与工程学院, 南京 210094;2. 装备学院 复杂电子系统仿真重点实验室, 北京 101416
摘要：针对集成分类器由于基分类器过弱，需要牺牲大量训练时间才能取得高精度的问题，提出一种基于实例的强分类器快速集成方法——FSE。首先通过基分类器评价方法剔除不合格分类器，再对分类器进行精确度和差异性排序，从而得到一组精度最高、差异性最大的分类器；然后通过FSE集成算法打破已有的样本分布，重新采样使分类器更多地关注难学习的样本，并以此决定各分类器的权重并集成。实验通过与集成分类器Boosting在UCI数据库和真实数据集上进行比对，Boosting构造的集成分类器的识别精度最高分别能达到90.2%和90.4%，而使用FSE方法的集成分类器精度分别能达到95.6%和93.9%；而且两者在达到相同精度时，使用FSE方法的集成分类器分别缩短了75%和80%的训练时间。实验结果表明，FSE集成模型能有效提高识别精度、缩短训练时间。
关键词：强分类器集成模型,基分类器评价方法,集成算法,样本分布,集成学习
基金资助：国家自然科学基金资助项目（61170035，61272420，61502233）；江苏省科技成果转化专项资金资助项目（BA2013047）；江苏省六大人才高峰项目（WLW-004）；国防科技重点实验室基础研究项目（DXZT-JC-ZZ-2013-019）；兵科院预研项目（62201070151）；中央高校基本科研业务费专项资金资助项目（30916011328）。
