[发明专利]一种平均错分代价最小化的分类器集成方法

权利要求书

1.一种多分类代价敏感学习的分类器集成方法，包括以下步骤：

S1、获取训练样本集；

S2、初始化样本权值并赋初值；

S3、迭代T次后，训练得到T个最佳弱分类器；

S4、组合T个最佳弱分类器得到最佳组合分类器，

其特征在于：

所述步骤S2给训练样本赋初值的方法为：其中，i＝1，...，m，l＝1，...，K，y_i∈{1，2，...，K}，Z₀为的归一化因子，c(y_i，l)表示y_i类被错分成l类的代价，m为训练样本数；

所述步骤S3具体包括如下步骤：

S31、基于有权值的训练样本集S训练弱分类器，t＝1，...，T，通过如下步骤实现：

S311、对应样本集S的划分，计算其中j＝1，...，n_t，l表示多分类问题中的类，x_i表示第i个样本，表示划分段内l标签子集不包含x_i的概率；

S312、定义弱分类器h_t(x)，当时，有其中，h_t(x，l)为弱分类器h_t(x)输出标签l的置信度；

S313、选取弱分类器h_t(x)，使最小，其中，Z_t代表样本权值调整后的归一化因子；

S32、根据步骤S31的结果来调整样本权值，

S33、判断t是否小于T，若是，则令t＝t+1，返回步骤S31，若否，则进入步骤S4。

2.根据权利要求1所述的方法，其特征在于：所述步骤S4得到最佳组合分类器的方法为：其中

3.一种利用权利要求1所述的方法实现的多分类连续AdaBoost集成学习方法，包括以下步骤：

S1、获取训练样本集；

S2、初始化样本权值并赋初值；

S3、迭代T次后，训练得到T个最佳弱分类器；

S4、组合T个最佳弱分类器得到最佳组合分类器，

其特征在于：

所述步骤S2给训练样本赋初值的方法为：i＝1，...，m，l＝1，...，K，Z₀是归一化因子，其中c(i，i)＝0，当i≠j时c(i，j)＝1；

所述步骤S3具体包括如下步骤：

S31、基于有权值的训练样本集S训练弱分类器，t＝1，...，T，通过如下步骤实现：

S311、对应样本集S的划分，计算其中j＝1，...，n_t，l表示多分类问题中的类，x_i表示第i个样本，相当于划分段内l标签子集不包含x_i的概率；

S312、定义弱分类器h_t(x)，当时，有其中，h_t(x，l)为弱分类器h_t(x)输出标签l的置信度；

S313、选取弱分类器h_t(x)，使最小，其中，Z_t代表样本权值调整后的归一化因子；

S32、根据步骤S31的结果来调整样本权值，

S33、判断t是否小于T，若是，则令t＝t+1，返回步骤S31，若否，则进入步骤S4。

4.根据权利要求3所述的方法，其特征在于：所述步骤S4得到最佳组合分类器的方法为：其中