面向高维数据分类的自适应半监督集成方法
Ref
Yu, Zhiwen, et al. "Adaptive semi-supervised classifier ensemble for high dimensional data classification." IEEE transactions on cybernetics 49.2 (2017): 366-379.
Abstract
在有限的标记训练数据上进行高维数据分类是数据挖掘领域一项具有挑战性的任务。为了解决这一问题，我们首先提出了一种基于特征选择的半监督分类器集成执行高维数据分类的框架（FSCE）。然后，我们设计了一个自适应半监督分类器集成框架（ASCE）以改进FSCE。与FSCE相比，ASCE的特点是自适应特征选择过程，自适应加权过程（AWP）和辅助训练集生成过程（ATSGP）。自适应特征选择过程基于特征选择算法获得的选定属性生成一组紧凑的特征子空间，而AWP使用权重关联每一个半监督分类器。ATSGP使用未标记的样本扩展训练集。此外，采用一组非参数检验在不同的数据集上对多个半监督分类器集成（SSCE）方法进行比较。20个现实世界的高维数据集的研究数据表明：1）中的两个自适应过程
ASCE有助于提高SSCE的性能方法和2）ASCE在高维数据集上运行良好。
