论文部分内容阅读
针对差异性是集成学习的必要条件，研究了基于k-means聚类技术提高神经网络分类器集成差异性的方法。通过训缘集并使用神经网络分类器学习算法训练许多分类器模型，在验证集中利用每个分类器的分类结果作为聚类的数据对象；然后应用k-means聚类方法对这些数据聚类，在聚类结果的每个簇中选择一个分类器代表模型，以此构成集成学习的成员；最后应用投票方法实验研究了这种提高集成学习差异性方法的性能，并与常用的集成学习方法bagging、adaboost进行了比较。