EC3:集成学习中聚类和分类的结合
基于物体分类的识别方法研究中,对象的变化是一个挑战。本研究提出了一种分类方法,使用投票和组合分类器,结合随机森林、K-NN、决策树、SVM 和朴素贝叶斯分类方法。测试结果表明,投票方法和组合分类器的准确率分别为 92.4% 和 99.3%。研究结果显示,使用组合分类器和投票方法可以提高对象分类准确性,增加了集成学习方法的有效性。
Sep, 2023
提出了一种基于 ROCCH 方法的混合分类器,可以有效地处理实际环境中的分类器性能不确定性和最优条件缺乏问题,以达到在各种场景下至少与最优分类器相当的表现水平。
Sep, 2000
本研究回顾了针对大规模电子商务目录的产品项分类问题。我们提出了一种基于深度学习的分类模型框架,利用多个分类器的组合和融合来改善分类性能,并使用元数据特征和低级特征工程来提升模型质量。此外,我们还提出了一种使用用户会话评估模型性能的新方法,相较于传统的精确度和召回率等评估指标,提供更详尽的洞察力。
Jul, 2023
本文通过对 10 种数据增强方法和 10 种集成学习方法在不平衡数据集上的计算机评估,提出了一种通用框架,从而确定数据增强与集成学习的最佳组合,以显著提高不平衡数据集的分类性能。
Apr, 2023
本文提出了一种基于 Minorize-Maximization 框架的无监督学习算法 M3C,它通过放松聚类来提供增强的灵活性,并结合了边缘亲和力学习和伪标签选择的 UM3C 模型,在公共基准测试中证明了其在精度和效率上优于当前最先进的图匹配和混合图匹配聚类方法。
Oct, 2023
本文研究在有限或无注释但有大量未标记数据的情况下进行图像分类的问题,并提出了一种新方法 ——Ensemble Projection (EP)。该方法通过从所有可用数据中采样一组富有代表性的视觉原型,然后使用这些原型来训练判别分类器,最终产生新的特征向量。该方法在半监督图像分类、无限制自学习图像分类和图像聚类方面均取得了很好的效果。
Feb, 2016
本文提出了一种自适应、自进化的模糊多标记分类器,结合相关性算法、权重最小二乘法和 Lasso 正则化,实现递增式单遍分类,并提供在线主动学习策略和产品空间聚类,其中分类器更新所需的样本数减少了 90%,但几乎不会影响分类精度。
Mar, 2022
提出 Self-Evolutionary Clustering (Self-EvoC) 框架,采用模糊理论识别异常数据点并采用自我监督分类器生成目标分布以实现分类。实验证明,该方法优于现有 deep clustering 方法。
Feb, 2022
这项研究对各个领域的大量数据集使用 20 种不同的评估方法对 26 种不同的多标签分类方法进行了全面的实证研究,发现 RFPCT,RFDTBR,ECCJ48,EBRJ48 和 AdaBoostMH 是效果最好的方法,希望今后引入新方法时,应该将其与不同的 MLC 方法的子集进行比较,以便更好地评估其性能表现。
Feb, 2021