基于旋转森林和极限学习机的大样本集成分类算法

摘要：

由于信息技术的飞速发展,在实际的数据处理过程中,单个分类器往往不能满足:①要求越来越高的数据分类精度和运行速度;②更强的泛化性能;③有效地适用于大样本数据分类.将旋转森林算法(rotation-forest,ROF)与极限学习机(ex-treme learning machine,ELM)相结合,有效地解决了旋转森林算法中过拟合现象的发生;同时也提高了算法的分类性能.最后通过UCI数据集的实验验证表明,和传统的集成分类算法相比,算法R-ELM-C与Bagging、Adaboosting、Rotboost、ROF、ELM等相比,具有更好地分类性能、稳定性与泛化性能,同时也适合于大样本数据分类.

关键词：大样本数据、旋转森林、极限学习机

所属期刊栏目：18

分类号：TP391.43(计算技术、计算机技术)

资助基金：国家自然科学基金61300151;江苏省自然科学基金BK20161268

在线出版日期：2018-08-23（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：231-235