[发明专利]基于CMCSA的分类器集成权重分配及自适应调整方法

说明书

本发明公开一种基于CMCSA的分类器集成权重分配及自适应调整方法，主要包括以下步骤：1）获取样本特征集；2）将样本特征集划分为训练集和测试集；3）选取基分类器；4）初始分配各基分类器的集成权重；5）使用CMCSA算法进行集成权重的迭代调整更新，得到新的权重组合，用所得权重组合集成多个分类器；6）用集成分类器进行分类器训练，达到终止条件时输出最优解。本发明的自适应权重调整方法，可以改善加权投票集成策略中设置权重难的不足，根据集成分类器的预测性能，为每个分类器和每个输出类分配适当的权重值，在智能运算权重的同时有效避免人工设定权重值的误差缺陷；从而调整出各基分类器的最优权重组合，增强了集成分类器的稳健性和准确性。

技术领域

本发明涉及分类器加权集成领域，尤其涉及一种基于改进的乌鸦算法——具有自适应步长的柯西变异乌鸦搜索算法(Cauchy mutation crow search algorithm，简称为“CMCSA”)的分类器集成权重分配及调整方法。

背景技术

分类在人们日常生活中扮演着举足轻重的角色。随着信息时代的发展，信息与数据的数字化成为了时代的大趋势，数字化的数据使人工处理工作变得困难且效率低。利用机器学习技术解决数字化的实际问题得到了众多学者的广泛关注与研究，与实际问题结合使用的计算机辅助系统也得到了快速发展。

对于分类问题，由于群体决策通常比个体的决策较好，当单个分类器不能提供100％正确的决策时，多个分类器可能获得更高的准确率。因此，可以将从个体分类器获得的决策结果集合起来，并从统计的角度得出最佳的最终决策。不同方法或特征的分类器可以相互补充、相互协作，从而减少错误，获得更高的性能。在分类器的集成中，多数投票是集成学习中最简单、最有效的组合方法之一。一些对基于多数投票的集成方案的研究表明，使用加权投票方案可以增强分类器集成的稳健性和准确性。而在不同的条件下，每个基分类器的性能是不同的，要根据具体情况对基分类器的性能进行评估，确定基分类器的权值或优先级。

加权投票方案中的权值分配问题本质上可以被建模为一个组合优化问题，其最优解可以通过建立良好的元启发式算法来寻求。基于群智能算法的多分类器集成分类技术，可以根据分类算法的预测性能，为每个分类器和每个输出类分配适当的权重值，在智能运算权重的同时有效避免人工设定权重值的误差缺陷。

发明内容

本发明的目的在于针对现有分类器集成技术中存在的不足，提供了一种基于柯西变异乌鸦搜索算法(CMCSA)的分类器集成权重分配及自适应调整方法。该方法能够有效为参与集成的基分类器根据其对该类数据的分类性能，自适应的分配及调整该基分类器的集成权重，得到最优的权重分配组合，从而得到最优集成分类器，以提高分类的效率和分类精度。

为了实现上述目的，本发明采用了以下技术方案：

一种基于CMCSA的分类器集成权重分配及自适应调整方法，包括下列步骤：

1)获取待分类数据样本的特征集；

2)基于k折交叉验证方法，将样本特征集分成k份，取其中一份为测试集，其余k-1份为训练集；

3)选择合适的基分类器；

4)初始分配各基分类器权重；

5)使用改进后的柯西变异乌鸦搜索算法(CMCSA)进行基分类器中的权重调整分配，得出新的权重组合，使用所得权重组合进行分类器加权集成，得到试验集成分类器，利用试验集成分类器进行数据分类，采用适应度函数fitness进行算法性能评估；

6)根据分类结果，得到最优集成分类器。

本发明进一步说明，所述步骤1)中样本的特征集是将某种原始信息中所具有的特征信息进行提取，包含数据的特征信息及所属类别信息，得到D+1元组 (D为所提取的特征种数)表示的特征集：样本i＝(特征1，特征2，特征3，…，特征D，所属类别标签)。