为提高分类系统的性能,提出一种统一多种元学习算法的元学习框架,定义并描述了并行和串行两种 组合方式 .由基分类器的分类结果构成新属性,并加入到特征向量中以形成元数据 .通过扩展特征向量,元学 习增强了对假设空间的表达能力,降低了系统的偏差 .在加州大学提供的标准数据集上对元学习策略进行了 实验研究,结果表明:与多数投票、最大规则、最小规则等融合方法实现的多分类器系统相比,并行和串行组 合在所用数据集上的平均分类错误率可分别降低39. 12%和40. 56%,且在 n分交叉验证中 n值的增加并不 能改进分类
