基于混合Hausdorff距离的多示例分类问题

摘要：

在机器学习领域中,多示例学习是一个重要的研究方向,其显著特点是正包中示例的类别标记具有模糊性.基于不同Hausdorff距离的CKNN分类器在多示例学习中应用较为广泛.经分析可发现,最小和最大Hausdorff距离均有其各自的缺陷,但两者的缺陷具有一定的互补性.针对如何弥补单一Hausdorff距离缺陷的问题,使用AdaBoost算法思想,把基于最小和最大Hausdorff距离的CKNN分类器进行组合,以减少使用单一Hausdorff距离对实验结果造成的影响.通过比较在不同数据集上的实验结果,可知此方法在一定程度上降低了测试误差,降低幅度最大为0.110 0.

关键词：多示例学习、AdaBoost算法、Hausdorff距离、CKNN分类器

所属期刊栏目：17

分类号：TP181(自动化基础理论)

资助基金：山西省自然科学基金2014021022-4;国家自然科学基金61403273

在线出版日期：2017-04-21（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：62-66