适用于大规模数据的极限学习机集成分类器

对于分类问题，极限学习机（ELM） 可以通过更快的学习获得更好的泛化性能速度。 但是，单个ELM在数据分类中是不稳定的。 这基于Bagging的集成分类器，即Bagging-ELM已被研究流行并证明可以显着改善ELM的性能在准确性方面，但是，不适合大规模处理数据集由于高度密集的计算。 在这项研究中，我们建议一种新颖的ELM集成分类器，即b-ELM，它利用了Bag of Little Bootstraps技术可获取可扩展，高效的方式大规模数据的分类。 实现分类效率因为它只需要对数量进行反复培训就可以了可能比原始训练数据小得多的数据。 此外， b-ELM适合在现代并行和并行环境中实施分布式计算平台。 实验结果证明b-ELM可以高效处理高性能的高性能数据关于预测准确性。