基于线性回归和属性集成的分类算法

摘要：

对于高维度小样本数据的分类问题,高维属性的复杂性限制了分类模型预测的准确率.为了进一步提高准确率,提出了基于线性回归和属性集成的分类算法.首先,采用线性回归为每一个属性构建属性线性分类器(Attribute Linear Classifier,ALC);其次,为了避免因ALC数量过多而导致准确率下降,利用经验风险最小化策略中的经验损失值作为评估标准来优选ALC;最后,应用多数投票法来集成被筛选的ALC.采用高维度小样本的基因表达数据集进行实验,结果显示该算法具有比逻辑回归、支持向量机和随机森林算法更高的准确率.

关键词：线性回归、单属性分类、经验损失、属性集成、多数投票法

所属期刊栏目：44

分类号：TP18(自动化基础理论)

资助基金：国家海洋技术公共福利项目201505002;国家自然科学基金61462020;广西可信软件重点实验室开放项目KX201510;广西云计算与大数据协同创新项目YD16E04;研究生创新项目YJCXS201538

在线出版日期：2017-07-13（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：212-215,244