Improving bagging performance through multi-algorithm ensembles

作为首先建立分类器的一个委员会然后通过多数投票聚集他们的结果的一个整体方法工作， bagging 吸引了可观的研究兴趣并且在各种各样的申请领域适用。它表明了几个优点，但是在它的礼品形成 bagging 被发现是更少比一些另外的整体方法精确。为了开它的力量并且扩展它的用户，基于，我们建议通过多算法整体的使用改进 bagging 的一条途径。在一个多算法整体，多重分类算法被采用。从差异的性质的研究开始，我们证明与独自使用不同训练集合相比，和不同训练使用异构的算法在整体给增加差异，并且因此，我们为利用异构的算法的研究提供基本解释。另外，我们部分由提供描述在差异和关联之间的关系的非线性的功能处理在差异和精确性之间的关系的问题。在认识到 bootstrap 过程是在 bagging 的差异的独占的来源以后，而且，我们把异质用作差异的另一来源并且建议在 bagging 利用异构的算法的一条途径。为评估，我们考虑数据从各种各样的应用程序域设置的几个基准。结果显示以 F1 措施，我们的途径超过大多数在实验考虑的另外的最先进的整体方法，以吝啬的边缘，我们的途径比在实验考虑的所有其它优异。