基于CMAES集成学习方法的地表水质分类

TP311; 为了提高人民生活质量,政府部门不断加强水质管理,然而人工分类方法无法满足实时处理的需求,传统机器学习方法的分类准确率又不够高.集成学习使用多种学习算法来获得比单一学习算法更好的预测性能.首先,对集成学习进行概述,简要介绍了Bagging和Boosting算法,并提出基于协方差自适应调整的进化策略算法(CMAES)的集成学习方法.接着,介绍了数据处理方式、模型评估方法和评价指标.最后,用CMAES集成学习方法对逻辑回归、线性判别分析、支持向量机、决策树、完全随机树、朴素贝叶斯、K-邻近算法、随机森林、完全随机树林、深度级联森林十种模型进行集成.实验结果表明,CMAES集成学习方法优...

Full description

Saved in:
Bibliographic Details
Published in计算机科学与探索 Vol. 14; no. 3; pp. 426 - 436
Main Authors 陈兴国, 徐修颖, 陈康扬, 杨光
Format Journal Article
LanguageChinese
Published 南京邮电大学 江苏省大数据安全与智能处理重点实验室,南京 210023 01.03.2020
南京大学 计算机软件新技术国家重点实验室,南京 210023%南京邮电大学 江苏省大数据安全与智能处理重点实验室,南京,210023
Subjects
集成学习
Boosting
水质分类
基于协方差自适应调整的进化策略算法(CMAES)
参数优化
Online AccessGet full text

Cover

More Information
Summary:TP311; 为了提高人民生活质量,政府部门不断加强水质管理,然而人工分类方法无法满足实时处理的需求,传统机器学习方法的分类准确率又不够高.集成学习使用多种学习算法来获得比单一学习算法更好的预测性能.首先,对集成学习进行概述,简要介绍了Bagging和Boosting算法,并提出基于协方差自适应调整的进化策略算法(CMAES)的集成学习方法.接着,介绍了数据处理方式、模型评估方法和评价指标.最后,用CMAES集成学习方法对逻辑回归、线性判别分析、支持向量机、决策树、完全随机树、朴素贝叶斯、K-邻近算法、随机森林、完全随机树林、深度级联森林十种模型进行集成.实验结果表明,CMAES集成学习方法优于所有其他模型,该方法将继续被应用到未来的研究之中.
ISSN:1673-9418
DOI:10.3778/j.issn.1673-9418.1905020