论文部分内容阅读
提出一种基于类别信息的分类器集成方法Cagging。基于类别信息重复选择样本生成基本分类器的训练集,增强了基本分类器之间的差异性;利用基本分类器对不同模式类的分类能力为每个基本分类器设置一组权重,使用权重对各分类器输出结果进行加权决策,较好地利用了各个基本分类器之间的差异性。在人脸图像库ORL上的实验验证了Cagging的有效性。此外,Cagging方法的基本分类器生成方式适合于通过增量学习生成集成分类器,扩展Cagging设计了基于增量学习的分类器集成方法Cagging-I,实验验证了它的有效性。