一种可并行的贝叶斯集合在线学习算法

无论是boosting还是bagging算法，在使用连续样本集进行分类器集合学习时，均需缓存大量数据，这对大容量样本集的应用不可行。本文提出一种基于贝叶斯集合的在线学习算法bepol，在保持boosting算法加权采样思想的前提下，只需对样本集进行一次扫描，就可实现对贝叶斯集合的在线更新学习。算法针对串行训练时间长、成员相关性差的缺点，采用了并行学习的思想，通过将各贝叶斯分量映射到并行计算结构上，提高集合学习的效率。通过uci数据集的实验表明，算法bepol具有与批量学习算法相近的分类性能和更小的时间开销