基于Double-Bagging决策树的基因微阵列数据研究

Bagging通过组合不稳定的分类器在很大程度上降低了"弱"学习算法的分类误差。基于Torsten等人提出的Double-Bagging算法,本文对其加以修改并应用于基因微阵列数据的处理。在给定的训练数据集和测试集上试验并比较了多种分类器,结果表明Double-Bagging决策树分类精确度优于Bagging决策树和C4.5算法。

Out-of-bag样本的应用研究

Bagging集成通过组合不稳定的基分类器在很大程度上降低"弱"学习算法的分类误差,Out-of-bag样本是Bagging集成的自然产物。目前,Out-of-bag样本在估计Bagging集成的泛化误差、构建相关集成分类器等方面得到了广泛应用。文章对Out-of-bag样本的应用进行了综述,阐述了对其进行研究的主要内容和特点,并对它在将来可能的研究方向进行了讨论。