基于AdaBoost极限学习机集成算法.docVIP

基于AdaBoost极限学习机集成算法 　　摘要：针对数据类别不平衡问题，提出一种AdaBoost集成算法，用极限学习机作为基分类器，根据AdaBoost集成各个基分类器，用AdaBoost集成分类器的权值，得出最终结果。实验结果表明，该方法相较于传统ELM算法具有较高的准确率、G-mean、F-score及更好的灵活性。 　　关键词关键词：AdaBoost；极限学习机；集成算法；G-mean、F-score 　　中图分类号：TP312 文献标识码：A 文章编号：1672-7800（2016）004-0071-03 　　0引言 　　目前，很多研究者对关于二分类问题推广到多类问题进行了大量的实验研究。单层前馈神经网络以及基于梯度的学习算法像BP神经网络、支持向量机（SVM）[1]、K最近邻算法、决策树等均广泛用于处理分类问题。这些方法往往最大限度地提高总体分类的准确度，而忽略少数类。针对这些问题，很多研究者对传统的分类方法进行了改进，并且提出了采样法、代价敏感学习[2]、装袋[3-4]和提升[5]的集成算法。本文的集成算法采用提升算法中最优秀的算法之一――AdaBoost。目前，AdaBoost已广泛应用于人脸识别、异常检测[6]、石油泄漏检测、车辆识别、医学检测、人工智能等领域。 　　1相关工作 　　1.1极限学习机 　　对于N个不同的训练样本N（Xi，Yj），有