K均值聚类优化集成学习

摘要：

　　利用Bagging算法对分类器集成可以有效的提高分类器的识别精度和稳定性。Bagging算法需要生成的子分类器差异度要大，则训练子集应有较大差异度。而采用随机采样不能保证训练子集的差异度，为此本文采用对训练样本集进行K均值聚类的方法得到差异度大的训练子集，训练子分类器并获得分类识别精度。实验表明，K均值聚类算法能有效提高Bagging集成算法的分类精度并降低样本维度。

关键词： Bagging算法 K均值聚类 B-SVME算法 分类器集成 训练子集

作者: 杜方键 杨宏晖

作者单位: 西北工业大学航海学院，西安，710072

会议类型: 国内会议

会议名称: 2011中国西部声学学术交流会

会议地点: 银川

会议语种:中文

页码: 32-34

在线出版日期: 2011-08-01（万方平台首次上网日期，不代表论文的发表时间）