28、元分类器与多维分类器：原理、应用与比较

元分类器与多维分类器：原理、应用与比较

1. 元分类器概述

元分类器是一种将多个分类器组合起来的技术，旨在提高分类的准确性和性能。在处理区分中间神经元（I）和锥体神经元（P）的数据集 1 时，不同的非概率和概率分类器被组合成多种代表性的元分类器。这些元分类器通过不同的方式结合多个基础分类器的结果，以达到更好的分类效果。

2. 元分类器示例：区分中间神经元与锥体神经元

在这个示例中，使用了多种元分类器对数据集 1 进行分类，并通过 10 折分层交叉验证评估了它们的准确性。具体的元分类器及其准确性如下表所示：
| 元分类器 | 准确性 |
| — | — |
| Vote | 0.8716 |
| Stacking | 0.8623 |
| Bagging | 0.8685 |
| Random subspace | 0.8654 |
| Random tree | 0.7768 |
| Random forest | 0.8318 |
| Rotation forest | 0.8716 |
| AdaBoost.M1 | 0.8654 |
| NBTree | 0.7768 |
| LBR | 0.8593 |
| Logistic model tree | 0.8685 |

下面对几种主要的元分类器进行详细介绍：
- 平均概率估计元分类器 ：该元分类器采用了 5 个基础分类器，分别是 1 - NN（WEKA 中的 IB1 分类器）、C4.5 决策树（J48）、SVM（SMO）、逻