构造性学习算法训练分类器对有些样本会有"拒认状态",构造性学习算法中对这一状况的处理使用就近原则,然而,这种方法通常不能给出"拒认状态"样本的正确类别。提出了一种集成构造性分类方法,在测试阶段,通过多个分类器的最终打分,对"拒认状态"样本进行分类标记。同时,选取UCI数据集进行实验,结果表明,与CML算法相比,该方法的分类更为有效。
科研之友
微信
新浪微博
Facebook
分享链接
