平均分布集成策略：一种新的分类器融合方法

摘要 集成学习方法已经广泛应用于人工智能的各个研究领域，其显著的性能吸引了大量的研究者.分类器融合是集成学习中的一个核心问题，研究者已提出多种不同的分类器融合方法.本文提出了分类器平均分布的概念，即通过调整基分类器的权重，使它们在不同样本上的表现尽可能的平均.这种策略为那些只被少数分类器正确预测的样本提供了机会.此外，本文提出了分类器等价系数的概念，即如何衡量两个准确率不同的分类器在集成学习中的权重.通过严格的十折叠交叉检验，在12个UCI数据集上的实验表明，平均分布集成算法优于简单多数投票策略、LP-Adaboost和LP1算法