一种自适应权重的多分类通用集成方法

摘要：

集成学习一直是构建强大和稳定的预测模型的策略之一,它能通过融合多个模型来提升结果的准确性和稳定性.但是,现有的集成方法在权重计算上还存在一定的缺陷,面对多种分类问题时无法自适应地选择集成权重,不具有通用性.针对以上问题,提出了一种自适应权重的多分类通用集成方法(UMEAW).与通常的集成分类方法只针对一种分类任务不同,UMEAW面对不同的分类问题,首先根据分类个数计算权重调配系数,然后利用指数函数分布特性,根据模型评价指标与权重调配系数自动计算一次模型融合的权重,最后通过不断迭代的方法自适应地调整融合权重,实现不同分类任务下的模型融合.实验结果表明,UMEAW在9个不同分类个数、不同领域、不同规模的数据集上都能实现模型融合,其融合效果在大部分任务上都优于基线方法.与单个模型相比,用UMEAW融合后的结果F1值稳定增加了3％25％;与其他集成方法相比,F1值稳定提升了1％2％,证明了UMEAW的通用性和有效性.

关键词：集成学习、权重、分类、融合、通用方法

所属期刊栏目：49

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金;国家自然科学基金

在线出版日期：2022-11-10（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：212-220