使用分类置信度的动态分类器集成

如何合并基础分类器的输出是集成学习中的关键问题。 本文提出了一种动态分类器集成方法，称为DCE-CC。 它根据分类置信度为测试样本动态选择分类器的子集。 基本分类器的权重是通过优化训练集上的边距分布来学习的，并利用有序聚合技术来估计适当子集的大小。 我们在一些基准分类任务上研究了所提出的融合方法，其中分别使用稳定的最近邻规则和不稳定的C4.5决策树算法来生成基本分类器。 与其他一些多分类器融合算法相比，实验结果表明了该方法的有效性。 然后我们从边距分布的角度解释了实验结果。