论文阅读---Solving multi-instance problems with classifier ensemble based on constructive clustering

多示例学习：传统的机器学习将单个示例作为一个目标对象，为其分配标签，而多实例学习将多个示例作为一个包，并将一个包作为一个目标对象，为其分配标签。

原文使用将包映射为向量的方式来实现多示例问题的预测

本文的符号系统：

符号	含义
$\mathcal{B}$	所有包的集合
$X^i$	第$i$个包
$x$	示例
$\mathcal{D}$	有m个数字的集合 { d 1 , d 2 , … , d m } \{d_1,d_2,\dots,d_m\} {d1​,d2​,…,dm​}
$Z$	存放所有示例的集合
$<y_1^j,\dots ,y_{d_i}^j,ylabe{l}^j>$	$X^j$映射后的向量表示
$ylabe{l}^j$	$X^j$的标签

原文伪代码如下所示：

简单描述一下这个伪代码：

• 先将所有包中的所有示例都放在集合$Z$中，再对$Z$中元素进行聚类。

但是要聚类成多少个簇呢？前面符号系统中提到有一个$\mathcal{D}$,里面存储了许多的数字，我们就第一次聚类为$d_1$个簇，第二次聚类成$d_2$个簇，这样使用不同的$d$,就可以生成不同的分类器，这些不同的分类器，可以被组合成一个集合进行预测。
这也是我读到这篇文章中，觉得比较新颖的地方，简单的改一下参数，就出现了多种不同的分类器，然后由这些分类器共同决定分类结果。

• 这个算法将一个包映射为一个由二元的特征表示的，长度为$d$的向量。前面咱们不是进行了分簇的操作嘛，若第$i$个簇中有来自$X^j$中的示例，则$y_i^j$等于1。相反的，若第$i$个簇中没有来自$X^j$中的示例，则$y_i^j$等于0

二元特征：就是0和1
这样，通过非常简单的操作，我们就得到了包的映射向量

• 接下来就是使用使用映射向量训练分类器，根据不同的$d$值，可以训练出不同的分类器。用不同的分类器对需要预测的包进行预测，看哪种预测结果出现的更多，就认为这是我们最终的预测结果。