元學習策略及性能評價

楊利英　覃　征　胡廣伍　張選平

摘要：為提高分類系統的性能，提出一種統一多種元學習算法的元學習框架，定義并描述了并行和串行兩種組合方式．由基分類器的分類結果構成新屬性，并加入到特征向量中以形成元數據．通過擴展特征向量，元學習增強了對假設空間的表達能力，降低了系統的偏差．在加州大學提供的標準數據集上對元學習策略進行了實驗研究，結果表明：與多數投票、最大規則、最小規則等融合方法實現的多分類器系統相比，并行和串行組合在所用數據集上的平均分類錯誤率可分別降低39．12％和40．56％，且在，2分交叉驗證中n值的增加并不能改進分類性能，串行組合中的基分類器的順序對分類錯誤率沒有顯著影響．

關鍵詞：模式分類；多分類器系統；元學習

中圖分類號：TP391文獻標識碼：A文章編號：0253—987X(2005)06—0570—04