如何使用 bagging 集成 SVM 和 CNN 分类器？答案

【问题标题】：How to ensemble SVM and CNN classifier using bagging?如何使用 bagging 集成 SVM 和 CNN 分类器？
【发布时间】：2019-08-30 05:59:36
【问题描述】：

我正在使用 X 射线图像对结核病进行分类。当我从 X 射线图像中提取有用的特征到 csv 文件中并使用它运行 SVM 并获得大约 60% 的准确度时。同时，直接在图像数据集上训练的 My CNN 模型的准确率达到了约 80%。我可以在网上找到参考，当两个模型机器学习模型或深度学习模型，而不是另一个模型时，可以使用集成方法。例如，我可以将 CNN 与其他类型的 CNN 集成。

【问题讨论】：

顺便说一句，深度学习模型是机器学习模型...
是的@desertnaut，只是想澄清这个问题。

标签： python tensorflow keras classification

【解决方案1】：

假设您的问题是“如何使用 bagging 集成 SVM 和 CNN 分类器”，这并不难。您使用整个训练集的子集训练每个模型 SVM 和 CNN（您可以使用每个模型的倍数）。在每个模型都经过训练后，您会提供测试数据，并且对于每个数据，所有模型都会进行分类。它会像投票一样工作。 SVM 投票为“真”，CNN 也投票“真”多数为“真”，因此您的集成模型会将其分类为“真”。

所以如果是其他类型的模型也没关系。

【讨论】：

假设 SVM 投票“真”而 CNN 投票“假”，我应该使用哪一个？
@QiYang 一个选项，你可以给他们权重。也许根据每个模型的准确率，如果 SVM 有 60%，CNN 有 80%，那么 0.6 为真，0.8 为假，集成模型的答案为假。

【解决方案2】：

Bootstrap 聚合或装袋是一种集成方法，您可以在训练集的不同样本上训练不同的模型。所以，Bagging 在这里不适用。

在集成 CNN 和 SVM 模型的情况下，一种简单的方法是对预测进行平均。还有其他技术，例如称重（准确模型的投票更多）等。请参考此链接：

https://mlwave.com/kaggle-ensembling-guide/

【讨论】：