利用多样性优化集成学习中的边距分布

边缘分布被认为是提高分类器泛化性能的重要因素。 在本文中，我们提出了一种新颖的集成学习算法，称为双旋转边距森林（DRMF），旨在改善组合系统在训练集上的边距分布。 我们利用随机轮换产生不同的基本分类器，并优化边距分布以利用多样性产生最佳合奏。 我们证明了不同的基础分类器在推导大利润集合方面是有益的，因此我们提出的技术将导致良好的泛化性能。 我们在广泛的基准分类任务中检查了我们的方法。 实验结果证实，DRMF优于其他经典的集成算法，例如Bagging，AdaBoostM1和Rotation Forest。 从边际分布和多样性的角度解释了DRMF的成功。