基于度量学习的邻域k凸包集成方法

摘要：

k局部凸包分类方法通过改进k近邻算法在处理小样本问题时的决策边界来显著提高分类性能,k子凸包分类方法通过克服局部k凸包分类对类数和样本环状分布的敏感性而改善了分类性能.但是,该方法仍然对样本距离度量方法敏感；并且在k邻域内不同类的样本数目经常严重失衡,导致分类性能下降.针对上述问题,提出了一种邻域k凸包分类方法,并通过引入距离度量学习和集成学习技术来提高算法对样本空间度量的鲁棒性.大量实验表明,文中提出的基于度量学习的邻域k凸包集成方法具有显著的分类性能优势.

关键词： Neighbor k-convex-hull Metric learning k-nearest neighbor Ensemble learning

作者: 牟廉明

作者单位: 内江师范学院 四川省高等学校数值仿真重点实验室 内江641100

会议类型: 国内会议

会议名称: 第十二届中国Rough集与软计算学术会议、第六届中国Web智能学术研讨会及第六届中国粒计算学术研讨会联合学术会议

会议地点: 合肥

会议语种:中文

页码: 116-116

在线出版日期: 2012-10-13（万方平台首次上网日期，不代表论文的发表时间）