基于SODM的多分类器融合及其在客户分类中的应用

摘要

目前大多数客户分类研究常采用单一的分类模型.引入多分类器融合方法,并将其与自组织数据挖掘理论(SODM)相结合,提出了基于SODM的选择性融合算法(SBSF).SBSF从全部基分类器的分类结果组成的初始模型集出发,由上一层模型两两组合产生新的待选模型,用最小二乘法来估计融合权重,而用外准则来评价和筛选中间候选模型,直到根据终止法则找到最优复杂度的融合模型.在15个UCI数据集上的实验结果显示,与单一的分类模型以及常用的多数投票法、贝叶斯方法、遗传算法等5种融合方法相比,SBSF具有更高的分类精度.进一步地,在信用卡数据集"german"上的客户分类实验表明,SBSF能自适应地从基分类器池中选择一个适当的基分类器子集进行融合,从而提高客户分类的精度.