知识卡片
粒子群搜索集成分类器组合
集成分类可把 SVM、KNN、AdaBoost 等模型作为候选,由粒子群搜索模型组合。搜索目标可同时考虑准确性与成员差异,避免仅重复选择同类预测器;原书的医学图像案例只说明一种组合设计,不保证在其他数据上优于单模型。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 4 . 3 . 2 基 于 粒 子 群 算 法 的 图 像 分 类 · 查看原书依据
在图像预处理阶段,使用形态学滤波和阈值法去除医学图像中的噪声;在图像特征提取阶段,使用SIFT特征描述子来提取图像的局部特征,并使用聚类方法得到SIFT特征的“视觉词汇”;在分类器阶段,使用PSO算法选出多样性和精度更高的SVM、KNN和AdaBoost分类器组合对特征进行分类,并将其应用在具有较大相似性和交叉性的医学图像上,分类精度相较于单个分类器方法具有很大的性能提升。
参考来源
- 位置:《智能算法导论》第 4 章“4.3.2 基于粒子群算法的图像分类”(`_epub-src/EPUB/xhtml/chapter4_0007.xhtml`)。
- 结论依据:正文的医学图像案例先做预处理和 SIFT 特征,再用 PSO 选择多样性和精度较高的 SVM、KNN、AdaBoost 组合。
- 原始内容:使用PSO算法选出多样性和精度更高的SVM、KNN和AdaBoost分类器组合对特征进行分类