基于特征选择的集成分类器抗噪性能分析

摘要

特征选择有助于增强集成分类器成员间的随机差异性，从而提高泛化精度。研究了随机子空间法(Random Sub-space)和旋转森林法(Rotation Forest)两种基于特征选择的集成分类器构造算法，分析讨论了两算法特征选择的方式与随机差异程度之间的关系。通过对UCI数据集引入噪声，比较两者在噪声环境下的分类精度。实验结果表明：当噪声增加及特征关联度下降时，基本学习算法及噪声程度对集成效果均有影响，当噪声增强到一定程度后，集成效果和单分类器的性能趋于一致。