元学习策略及性能评价元学习策略及性能评价
杨利英，覃 征，胡广伍，张选平
（西安交通大学电子与信息工程学院，710049,西安）
摘要:
为提高分类系统的性能，提出一种统一多种元学习算法的元学习框架，定义并描述了并行和串行两种组合方式.由基分类器的分类结果构成新属性，并加入到特征向量中以形成元数据.通过扩展特征向量，元学习增强了对假设空间的表达能力，降低了系统的偏差.在加州大学提供的标准数据集上对元学习策略进行了实验研究，结果表明：与多数投票、最大规则、最小规则等融合方法实现的多分类器系统相比，并行和串行组合在所用数据集上的平均分类错误率可分别降低39.12%和40.56%，且在n分交叉验证中n值的增加并不能改进分类性能，串行组合中的基分类器的顺序对分类错误率没有显著影响.
关键词: 模式分类；多分类器系统；元学习
中图分类号: TP391 文献标识码: A 文章编号: 0253-987X(2005)06-0570-04