一种自适应的多类Boosting分类算法

摘要：

许多实际问题涉及到多分类技术,该技术能有效地缩小用户与计算机之间的理解差异.在传统的多类Boosting方法中,多类损耗函数未必具有猜测背离性,并且多类弱学习器的结合被限制为线性的加权和.为了获得高精度的最终分类器,多类损耗函数应具有多类边缘极大化、贝叶斯一致性与猜测背离性.此外,弱学习器的缺点可能会限制线性分类器的性能,但它们的非线性结合可以提供较强的判别力.根据这两个观点,设计了一个自适应的多类Boosting分类器,即SOHPBoost算法.在每次迭代中,SOHPBoost算法能够利用向量加法或Hadamard乘积来集成最优的多类弱学习器.这个自适应的过程可以产生多类弱学习的Hadamard乘积向量和,进而挖掘出数据集的隐藏结构.实验结果表明,SOHPBoost算法可以产生较好的多分类性能.

关键词：多类Boosting、损耗函数、猜测背离性、非线性结合

所属期刊栏目：44

分类号：TP181(自动化基础理论)

资助基金：河南省自然科学基金162300410177;河南省高等学校重点科研项目17A520040;河南师范大学博士科研启动基金qd15134

在线出版日期：2017-08-14（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：185-190