集成学习多样性度量总结

Panpan Wei

于 2019-04-23 10:54:36 发布

阅读量3.7k

点赞数 5

分类专栏：机器学习集成学习文章标签：集成学习多样性度量

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.youkuaiyun.com/jodie123456/article/details/89465725

版权

本文总结了集成学习中的非成对多样性度量方法，包括Kohavi-Wolpert方差、 Interrater Agreement度量、熵度量、难度度量、广义多样性GD和Percentage Correct Diversity Measure(PCDM)。这些度量用于评估分类器系统的多样性，高多样性有助于提高集成学习的性能。KW方差和熵度量在分类器一致性较低时达到最大，而难度度量和PCDM关注分类器对特定样本的错误分类比例。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

上一篇博客讲了集成学习中成对的多样性度量，博文链接如下

https://blog.youkuaiyun.com/jodie123456/article/details/89341835

在本篇博文中，总结一下非成对的多样性度量的方法。

1.2 非成对多样性度量

与成对的多样性度量不同，非成对的的多样性度量直接定义在多分类器系统上，首先引入如下符号： $z_{j}$ ( $j=1,2,........,N$ )为 $N$ 个样例中的第 $j$ 个样例， $l(z_{j})$ 为对 $z_{j}$ 正确分类的分类器的数目， $L$ 为总的分类器数目。

1）Kohavi-Wolpert方差KW

KW方差来源于对分类器分类误差的分解，在训练集上使用分类器 $C_{1}$ ， $C_{2}$ ， $C_{3}$ ，.................., $C_{L}$ 对 $x$ 预测类标签的方差表达式，得到KW的方差公式：

$KW=\frac{1}{NL^{2}}\sum_{j=1}^{N}l(z_{j})(L-l(z_{j}))$

对于每一个样例 $z_{j}$ ，KW方差度量均要统计出对其正确分类的和错误分类的的分类器数目，极端情况下，对于每一个样例

最低0.47元/天解锁文章

评论 7

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。