基于Stacking策略的稳定性分类器组合模型研究

摘要 针对Bagging、AdaBoost等通用的集成算法对于稳定性分类算法集成效果不是很好的问题，提出了基于Stacking策略的稳定性分类器组合算法.该算法通过构造一个两层的叠加式框架结构，融合数据降维技术处理两层分类器的输入特征，对4种稳定性分类器（LDA、GLM、SVM、KNN）进行组合学习.利用UCI数据集测试算法的性能.实验结果表明：相比一些集成算法（RF、Bagging、C50、AdaBoost），基于Stacking策略稳定性分类器组合模型可以获得更高的分类准确率.同时也为二分类的分类模型提供了一个可行的参考方法