基于频繁模式的选择性集成

摘要

针对集成学习方法在处理大规模数据集时具有计算复杂度高、基分类器数目多、分类精度不理想的问题,提出一种基于频繁模式的选择性集成算法.该算法利用频繁模式挖掘的原理,将未剪枝的集成分类器和样本空间映射为事务数据库,并利用布尔矩阵存储分类结果,然后从中挖掘频繁基分类器组成最终的集成分类器,达到选择性集成的目的.实验结果表明,与集成分类算法Bagging、AdaBoost、WAVE和RFW相比,该算法减小了集成分类器的规模,提高了集成分类器的分类精度和分类效率.