摘要：集成学习主要通过扰动训练数据集来产生较强泛化能力。研究者们提出了各种各样的方法来实现这一目标，但如何扰动训练数据集以达到最佳的泛化能力并没有被深入研究。本文中，提出了对训练数据集进行扰动的交叉分组（cross-grouping）方法，通过改变交叉因子以实现对训练数据集不同程度的扰动，从而实现当集成规模较小时，得到更强的泛化能力。实验表明，当选择合适的交叉因子时，CG-Bagging泛化能力要强于Bagging和Boosting，略优于Decorate和RandomForests。

原文链接:http://www.cqvip.com//QK/92817X/200803/26833642.html

送人玫瑰，手留余香~如您已下载到该资源，可在回帖当中上传与大家共享，欢迎来CDA社区交流学习。（仅供学术交流用。）