论文部分内容阅读
集成学习利用多个学习器来解决问题，可以有效提高学习系统的泛化能力。由于其具有优越的性能和广泛的适用性，近年来已成为国际机器学习界的一个研究热点。本文针对集成学习进行了研究，主要做了三方面的工作：
1．本文把特征选择技术引入集成学习中，提出了基于特征选择的神经网络集成算法ReBag。实验表明，该算法的泛化能力优于常用的Bagging算法，与Attribute Bagging算法相当，但效率更高。
2．本文将因果发现技术引入集成学习中，提出了基于因果发现的神经网络集成算法CNE。实验表明，该算法的泛化能力优于Bagging算法。进一步，本文对利用Markov Blanket信息来构建神经网络集成进行了尝试。
3．本文将集成学习技术应用于乳腺图像分析中，并通过利用Out-of-bag数据，提出了BagOD算法，获得了比Bagging算法更好的性能，为进一步研制实用的基于神经网络集成的乳腺癌诊断系统打下了良好的基础。