本文总结了集成学习中的非成对多样性度量方法，包括Kohavi-Wolpert方差、 Interrater Agreement度量、熵度量、难度度量、广义多样性GD和Percentage Correct Diversity Measure(PCDM)。这些度量用于评估分类器系统的多样性，高多样性有助于提高集成学习的性能。KW方差和熵度量在分类器一致性较低时达到最大，而难度度量和PCDM关注分类器对特定样本的错误分类比例。
上一篇博客讲了集成学习中成对的多样性度量，博文链接如下
https://blog.csdn.net/jodie123456/article/details/89341835
在本篇博文中，总结一下非成对的多样性度量的方法。
1.2 非成对多样性度量
与成对的多样性度量不同，非成对的的多样性度量直接定义在多分类器系统上，首先引入如下符号：
(
)为
个样例中的第
个样例，
为对正确分类的分类器的数目，
为总的分类器数目。
1）Kohavi-Wolpert方差KW
KW方差来源于对分类器分类误差的分解，在训练集上使用分类器
，
，
，..................,
对
预测类标签的方差表达式，得到KW的方差公式：
对于每一个样例，KW方差度量均要统计出对其正确分类的和错误分类的的分类器数
最低0.47元/天 解锁文章
扫一扫
459
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
