基于代表的留一法集成学习分类

摘要 为应对抽样不均匀带来的影响，以基于代表的分类算法为基础，提出一种用于符号型数据分类的留一法集成学习分类算法（LOOELCA）。首先采用留一法获得n个小训练集，其中n为初始训练集大小。然后使用每个训练集构建独立的基于代表的分类器，并标注出分类错误的分类器及对象。最后，标注分类器和原始分类器形成委员会并对测试集对象进行分类。如委员会表决一致，则直接给该测试对象贴上类标签；否则，基于k最近邻（kNN）算法并利用标注对象对测试对象分类。在UCI标准数据集上的实验结果表明，LOOELCA与基于代表的粗糙集覆盖分类（RBC-CBNRS）算法相比，精度平均提升0.35~2.76个百分点，LOOELCA与ID3、J48、Na？ve Bayes、OneR等方法相比也有更高的分类准确率