1、當前,集成學(xué)習(xí)是機器學(xué)習(xí)和數(shù)據(jù)挖掘領(lǐng)域中熱門的研究方向。集成學(xué)習(xí)是使用一系列學(xué)習(xí)器進行學(xué)習(xí),再按照某種規(guī)則把各個學(xué)習(xí)器結(jié)果進行整合從而獲得比單個學(xué)習(xí)器更好的學(xué)習(xí)效果的一種機器學(xué)習(xí)方法。集成學(xué)習(xí)在生產(chǎn)、科研和生活中有著廣泛應(yīng)用前景。本文主要在子空間的優(yōu)化以及子分類器的選擇上對集成學(xué)習(xí)作了較深入的研究,并將這些改進的算法應(yīng)用到基因數(shù)據(jù)分析中,主要工作包括如下幾個方面:
　　 1.提出了一種基于遺傳算法的子分類器選擇分類集成算法GAS

2、S。為了解決由不同的子空間生成的子分類器(Subclassifier)之間存在的相關(guān)性或冗余性對分類過程產(chǎn)生不必要時間與空間消耗以及對分類結(jié)果的影響,探索了如何在這些子分類器中選擇盡量少的分類器而分類集成的效果盡量好,此方法叫做子分類器選擇(SubclassifierSelection)。從實驗結(jié)果看,GASS在時間開銷和分類精確度方面都達到了比較好的效果,本文對遺傳算法中適應(yīng)度函數(shù)的參數(shù)也做了相應(yīng)討論與分析。
　　 2.提出了

3、一種基于Simba的子空間優(yōu)化算法FSEL。該算法利用基于假設(shè)間隔的特征選擇算法Simba對數(shù)據(jù)集的各個特征按其貢獻度進行排序,得到一個特征貢獻度序列,并對這個序列進行分段,并對各個段區(qū)設(shè)定選擇特征的比例,這樣既可以按設(shè)定取到貢獻度大的特征,也能做到對不同貢獻度的特征的選取保證了分類器的差異性,以達到最好的分類效果。實驗結(jié)果表明分類結(jié)果得到了較大提高,并且對分段段數(shù)和段區(qū)比例等參數(shù)都做了不同的設(shè)置并對結(jié)果進行討論分析。
　　 3