摘要: 无论是Boosting还是Bagging算法,在使用连续样本集进行分类器集合学习时,均需缓存大量数据,这对大容量样本集的应用不可行。本文提出一种基于贝叶斯集合的在线学习算法BEPOL,在保持Boosting算法加权采样思想的前提下,只需对样本集进行一次扫描,就可实现对贝叶斯集合的在线更新学习。算法针对串行训练时间长、成员相关性差的缺点,采用了并行学习的思想,通过将各贝叶斯分量映射到并行计算结构上,提高集合学习的效率。通过UCI数据集的实验表明,算法BEPOL具有与批量学习算法相近的分类性能和更小的时间开销
古平 朱庆生. 一种可并行的贝叶斯集合在线学习算法[J]. 计算机科学, 2006, 33(4): 159-161. https://doi.org/
GU Ping, ZHU Qing Sheng (College of Computer Science and Engineering, Chongqing University, Chongqing 400044). [J]. Computer Science, 2006, 33(4): 159-161. https://doi.org/