塞尔吉奥·贝尔梅乔;琼·卡巴斯塔尼 基于LVQ的最近邻分类器集合的局部平均。 (英语) Zbl 1078.68688号 申请。智力。 20,第1期,47-58(2004). 摘要:集成学习是一种改进学习机泛化性能的成熟方法。这个想法是将在同一任务中训练过的许多学习系统结合起来。然而,由于集成的所有成员都是同时操作的,因此需要大量内存和较长的执行时间,这限制了它的实际应用。本文在最近邻分类器的背景下提出了一种新的方法(称为局部平均法),该方法从集合中生成与单个成员具有相同复杂度的分类器。使用Kohonen的LVQ算法从不同的学习会话中生成原型集合后,通过对该集合应用集群算法(例如,K均值)来计算单个原型集合。局部平均可以看作是一种减少原型方差的技术,也可以看作是对一系列特定引导复制进行平均的结果。使用多个分类问题的实验结果证实了该方法的实用性,并表明局部平均可以计算单个分类器,该分类器的精度与投票生成的集合相似(甚至更好)。 MSC公司: 68T05型 人工智能中的学习和自适应系统 关键词:分类器组合;集成学习;求平均值;最近邻分类器;Kohonen的LVQ算法 软件:UCI-毫升;等级(_PAK) PDF格式BibTeX公司 XML格式引用 \textit{S.Bermejo}和\textit{J.Cabestany},应用。智力。20,第1号,47-58(2004年;兹bl 1078.68688) 全文: 内政部