【发布时间】：2013-09-19 03:05:32
【问题描述】：
我正在为一个可能有多个分类器的问题编写机器学习解决方案，具体取决于数据。 所以我收集了几个分类器，每个分类器在某些条件下都比其他分类器表现得更好。 我正在研究元分类策略，我看到有几种算法。谁能指出它们之间的根本区别？
【问题讨论】：
标签： machine-learning classification supervised-learning
【发布时间】：2013-09-19 03:05:32
【问题描述】：
投票算法是简单的策略，您可以通过例如选择大多数情况下出现的类来汇总分类器决策的结果。堆叠/分级策略是这个概念的概括。与其简单地说“好的，我有一个方案v，我将使用它在我的k 分类器中选择最佳答案”，而是创建另一个抽象层，在这里你实际上学习预测具有k 的正确标签投票。
简而言之，基本的投票/堆叠/分级方法可以概括为：
- 投票 - 你有一些恒定的方法
v，给定答案a_1,...,a_k会导致a=v(a_1,...,a_k) - 堆叠 - 您将答案用作问题的新表示，因此对于每个
(x_i,y_i)，您会得到(a_i_1,...,a_i_k)，因此创建训练样本((a_i_1,...,a_i_k),y_i)并在其上训练元分类器 - 分级 - 您为每个
k分类器训练一个单独的元分类器，以预测其当前点的“分类等级”，并使用它来做出决定
【讨论】：