[发明专利]可收缩步长的多类别集成学习分类方法

权利要求书

1.一种可收缩步长的多类别集成学习分类方法，其特征在于该方法具体步骤如下：

A.      将原始数据进行预处理，转换成分类方法可以处理的数据格式，同时获得训练数据集和待分类数据集；

B.      初始化训练数据集样本权重；

C.      从m=1到M迭代，依据训练数据集样本权重以及训练步长，训练M个基分类器；

D.      集成步骤C中的所有基分类器，得到最终判别分类器，对待分类数据集进行分类；

E.      将分类结果保存到文件中，提供分类预测的参考。

2.根据权利要求1所述的可收缩步长的多类别集成学习分类方法，其特征在于所述步骤A的操作步骤如下：

A1. 训练数据集的预处理：每条数据必须有固定的f个属性值，在最后还要添加一个类别属性，表示这条数据的类别已知，总共为f+1个属性值；

A2. 待分类数据集的预处理：待分类数据集的每条数据形式必须与训练数据集的前f个属性形式一致，并且无类别属性值字段，总共为f个属性值。

3.根据权利要求1所述的可收缩步长的多类别集成学习分类方法，其特征在于，上述步骤B中初始化训练数据集样本权重的操作步骤是：令每个样本的权重                                                = 1/n , i=1, 2, 3…n，其中n为样本个数。

4.根据权利要求1所述的可收缩步长的多类别集成学习分类方法，其特征在于所述步骤C的操作步骤如下：

C-1. 依据训练数据集，以权重训练得到基分类器()；

C-2. 计算基分类器()错误率：

C-3. 计算基分类器()可信度：

其中变量r为基分类器当前训练步长

C-4. 从i=1到n，更新训练数据集样本权重：

；

C-5. 重新规范化，使其总和为1；

C-6. 计算本次迭代后的判别分类器:

C-7. 判断是否需要收缩训练步长，如需，则收缩步长并重新计算步骤C3），C4），C5），C6）,保存本次迭代后的最终判别分类器，

C-8若M次迭代结束，则退出迭代，否则跳转到C1）继续迭代。

5.根据权利要求4所述的可收缩步长的多类别集成学习分类方法，其特征在于所述步骤C7中判断是否需要收缩训练步长的依据是：如果Margin()>Margin()并且Accuracy()<Accuracy()，则收缩步长使得r=（）并重新计算步骤C3），C4），C5），C6）；否则，不做更改， 最后，保存本次迭代后的最终判别分类器，其中Margin计算训练模型的空白边界，Accuracy计算训练模型的训练准确率，迭代次数m →，算法趋于收敛。

6.根据权利要求1所述的可收缩步长的多类别集成学习分类方法，其特征在于所述步骤D的操作步骤如下：

D1. 集成并计算判别分类器，输出M个基分类器集成后的判别分类器，采用的计算公式为：

其中即为集成学习所输出的判别分类器，

累加所有基分类器的判别概率，取K类中最大的即为判别结果，

其中包含的权重含有基分类器权重，是经过步长调整后的权重；

D2. 使用步骤D1中计算的判别分类器，为待分类数据集中的所有样本进行分类。