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