Paper摘记：Bagging and Boosting for the Nearest Mean Classifier:
来源：互联网 发布：四川广电网络公司性质 编辑：程序博客网 时间：2024/05/18 00:31
全名：Bagging and Boosting for the Nearest Mean Classifier:Effects of Sample Size on Diversity and Accuracy
作者：Marina Skurichina, Liudmila I. Kuncheva and Robert P.W. Duin
摘记：
理论上，组合独立的分类器，会得到比单一分类器更好的结果；组合相互依赖的分类器，得到的结果比起单一分类器，可好可坏。
Bootstrapping基于随机取样，每个分类器基于不同的样本，然后再组合分类器（不同分类器的样本能重合吗？）。
bagging机制：基于Bootstrapping，但是根据每个分类器的误差，会给每个分类器赋一个权值，最后的组合，是这些分类器的加权组合。
Boosting机制：分类器和训练数据集得到方式是被严格确定下来的。不像bagging中是随机的。在boosting的每一步中，训练数据被赋予权值，且当该数据被分类错误时，权值增大。类似SVC，增大了Margin。不同在于这边是局部的增大，而SVM是全局增大Margin。Adaboost，用重新定义训练数据权值，来代替重采样。
“arcfs”algorithm（Breiman提出）：改进的Adaboost，根据分类误差，改变权值（注意：若误差过大，说明可能是噪声数据，所以忽略）
还没搞清楚的是，每个训练数据一个权值，还是每类训练数据一个权值。（貌似是每个）
分类器差别的度量：两个分类器：Ci 和 Cj
Q 统计量Qij=（ad – bc）/（ad + bc）
a Ci 和Cj 都正确概率,
b Ci 正确， Cj 错误概率
c Ci 错误， Cj 正确概率
d Ci 和Cj 都错误概率
值域为-1到1，越接近0越好
另一个度量：disagreement measure
Dij = b+c， 越大越好
- Paper摘记：Bagging and Boosting for the Nearest Mean Classifier:
- Paper摘记：Multiple-Prototype Classifier Design
- 集成学习---bagging and boosting
- Bagging, Boosting, and Randomization对比
- Paper摘记-Large Margin Nearest Neighbor Classifiers
- 集成学习——bagging and boosting
- Preliminary understanding of bagging and boosting
- Bagging and Boosting 概念和区别
- Bagging, boosting and stacking in machine learning
- boosting-bagging
- Bagging,Boosting
- Gradient Boosting Classifier sparse matrix issue using pandas and scikit
- K-means clustering and K-nearest neighbourhood classifier
- Boosting和Bagging
- bootstrps、bagging 与boosting
- bootstrap bagging boosting
- bootstrps 、bagging与 boosting
- bootstrps 、bagging与 boosting
- 风格模版好友站
- dodo：人脸识别方法个人见解zz
- 签约和违约的注意事项
- 我电脑中ASP.NET学习资料
- Paper摘记：Multiple-Prototype Classifier Design
- Paper摘记：Bagging and Boosting for the Nearest Mean Classifier:
- 表扬的艺术
- 程序员读懂“新劳法” 敢问公司“谁怕谁”
- 读“有效的时间管理”
- 关于傅利叶变换的一些数学解释兼及其它（zz from 水源）
- 2007年IT行业十大经典语录[整理]
- Notepad++ 4.7 正式版
- 值得一看的电脑教程下载
- SCA :Assembly Model Specification 摘记
