基于旋转森林和极限学习机的大样本集成分类算法

由于信息技术的飞速发展,在实际的数据处理过程中,单个分类器往往不能满足:(1)要求越来越高的数据分类精度和运行速度;(2)更强的泛化性能;(3)有效地适用于大样本数据分类。将旋转森林算法(rotation-forest,ROF)与极限学习机(extreme learning machine,ELM)相结合,有效地解决了旋转森林算法中过拟合现象的发生;同时也提高了算法的分类性能。最后通过UCI数据集的实验验证表明,和传统的集成分类算法相比,算法R-ELM-C与Bagging、Adaboosting、Rotboost、ROF、ELM等相比,具有更好地分类性能、稳定性与泛化性能,同时也适合于大样本数据分类。