曼纽尔·费尔南德斯·德尔加多;伊娃·塞尔纳达斯;塞恩·巴罗;迪纳尼·阿莫林 我们需要数百个分类器来解决实际的分类问题吗？ （英文） Zbl 1319.62005号 J.马赫。学习。物件。 15, 3133-3181 (2014). 摘要：我们评估了17个家族中的179个分类器（判别分析、贝叶斯、神经网络、支持向量机、决策树、基于规则的分类器、boosting、bagging、stacking、随机森林和其他集合、广义线性模型、最近邻、偏最小二乘和主成分回归、logistic和多项式回归、多重自适应回归n样条和其他方法），在Weka、R（有或没有插入符号包）、C和Matlab中实现，包括目前可用的所有相关分类器。我们使用代表整个UCI数据库（不包括大规模问题）和其他自身实际问题的121个数据集，以获得关于分类器行为的重要结论，而不依赖于数据集的收集。最有可能成为最佳分类器的是随机森林（RF）版本，其中最佳分类器（在R中实现并通过插入符号访问）达到最大准确度的94.1%，在84.3%的数据集中克服了90%。然而，与次优的支持向量机（高斯核支持向量机，使用LibSVM在C语言中实现）相比，差异没有统计学意义，达到了最大准确度的92.3%。有几个模型明显优于其余的模型：随机森林、高斯核和多项式核的SVM、高斯核的极限学习机、C5.0和avNNet（使用插入符号包在R中实现的多层感知器委员会）。随机森林显然是最好的分类器家族（5个最佳分类器中有3个是RF），其次是SVM（前10名中有4个分类器）、神经网络和增强集合（前20名中分别有5个和3个成员）。 引用于76文件 MSC公司： 62-07 数据分析（统计）（MSC2010） 62H30型 分类和区分；聚类分析（统计方面） 68T05型 人工智能中的学习和自适应系统 关键词：分类;UCI数据库;随机森林;支持向量机;神经网络;决策树;合奏;基于规则的分类器;判别分析;贝叶斯分类器;广义线性模型;偏最小二乘与主成分回归;多重自适应回归样条;最近邻;logistic回归与多项式回归 软件：第48页;对;Matlab公司;LIBLINEAR银行;HD等级;4.5条;UCI-毫升;rrcov公司;威卡;插入符号;利比亚支持向量机 PDF格式BibTeX公司 XML格式引用 \文本{M.Fernández-Delgado}等人，J.Mach。学习。第15号决议，3133-3181（2014年；Zbl 1319.62005） 全文： 链接