融合DECORATE的异构分类器集成算法

在基于Stacking框架下异构分类器集成方式分析的基础上,引入同构分类器集成中改变训练样本以增强成员分类器间差异性的思想,提出融合DECORATE的异构分类器集成算法SDE;在1-层泛化利用DECORATE算法,向1-层训练集增加一定比例的人工数据,使得生成的多个1-层成员分类器间具有差异性。实验表明,该方法在分类精度上要优于传统Stacking方法。     

基于CSCW技术的电子商务开发

本文介绍了 ＣＳＣＷ（Ｃｏｍｐｕｔｅｒ Ｓｏｐｐｏｒｔ Ｃｏｏｐｅｒａｔｉｖｅ Ｗｏｒｋ计算机支持的协同工作）技术的研究领域和发 展方向,以及它在电子商务方面的最新应用。对于如何把ＣＳＣＷ技术应用于网站建设作出了探讨。     

基于特征选择的集成分类器抗噪性能分析

特征选择有助于增强集成分类器成员间的随机差异性,从而提高泛化精度。研究了随机子空间法（RandomSub-space）和旋转森林法（RotationForest）两种基于特征选择的集成分类器构造算法,分析讨论了两算法特征选择的方式与随机差异程度之间的关系。通过对UCI数据集引入噪声,比较两者在噪声环境下的分类精度。实验结果表明：当噪声增加及特征关联度下降时,基本学习算法及噪声程度对集成效果均有影响,当噪声增强到一定程度后。集成效果和单分类器的性能趋于一致。     

一种基于投票的Stacking方法

根据基于类的特征向量方法的原理，提出了一种基于投票的叠加泛化方法，对0-层分类器的预测结果“投而不决”，由1-层分类算法来归纳投票情况与正确类之间的关系。实验表明，该方法在具有明显类分布倾斜的多类数据集上有较理想的泛化效果。     

一种基于叠加框架的元学习策略

本文讨论了分类器组合的叠加法以及相应的叠加策略，提出了一种新的基于叠加法的元学习策略。该策略对基分类器的预测结果进行投票表决，将表决的结果作为1层训练数据。实验结果表明，该方法比简单平均化验概率法的分类效果要好。     

基于CSCW技术的电子商务开发

本文介绍了ＣＳＣＷ（Ｃｏｍｐｕｔｅｒ Ｓｕｐｐｏｒｔ Ｃｏｏｐｅｒａｔｉｖｅ Ｗｏｒｋ计算机支持的协同工作）技术的研究领域和发展方向,以及它在电子商务方面的最新应用,对于如何把ＣＳＣＷ技术应用于网站建设作出了探讨。