1、集成學(xué)習(xí)方法能夠?qū)⒃颈憩F(xiàn)一般的弱分類器集成起來,顯著地提高學(xué)習(xí)系統(tǒng)的泛化能力,從而得到更好的預(yù)測精度。同時由于集成學(xué)習(xí)方法具有靈活的適應(yīng)能力,它已經(jīng)被成功地應(yīng)用到各個領(lǐng)域。集成學(xué)習(xí)是一個較為寬泛的概念,其中包括很多種不同的實現(xiàn)方法,包括:裝袋法,Boosting方法以及隨機森林等。這些方法在實際的應(yīng)用中都取得了很好的效果,但是都在還存在著一些缺陷,如:Boosting方法不能并行化處理,隨機森林在某些噪音較大的分類問題上會過度擬合。為

2、了解決這些問題,不斷地有新的集成學(xué)習(xí)方法被提出。
　　集成學(xué)習(xí)方法主要分為兩個過程,弱分類器生成過程和整合過程。對集成學(xué)習(xí)方法的研究主要集中在對整合過程的研究。本文中,在對加權(quán)整合方法進行了仔細地分析,并發(fā)現(xiàn)可以將其考慮成連續(xù)優(yōu)化問題。解決連續(xù)優(yōu)化問題,一般采用啟發(fā)式算法。啟發(fā)式算法能夠在保證一定精度的情況下,明顯地縮短求解時間。蟻群算法是啟發(fā)式算法中表現(xiàn)很好的一種,已經(jīng)在組合優(yōu)化、系統(tǒng)辨識以及數(shù)據(jù)挖掘領(lǐng)域得到了廣泛的應(yīng)用。但是一

3、般的蟻群算法并不能直接處理連續(xù)優(yōu)化問題。通常的蟻群算法用于處理組合優(yōu)化問題,處理連續(xù)優(yōu)化問題還需要專門的改進。本文的改進方法主要通過改變信息素的表示形式來實現(xiàn)。將信息素以分布的形式表示,以此來控制權(quán)值的連續(xù)變化。為了測試最終實現(xiàn)的蟻群集成學(xué)習(xí)方法,將其應(yīng)用到了藥物預(yù)測領(lǐng)域。將其最終的結(jié)果與裝袋法和Adaboost方法進行比較,得到了比較理想的結(jié)果。
　　本文還專門針對蟻群集成學(xué)習(xí)方法的可并行性進行了研究。隨著數(shù)據(jù)不斷地增長,現(xiàn)實中