一种基于特征集构建的Bagging集成方法及其在流量分类中的应用

Bagging是一种经典的分类器集成方法,其有效性依赖于基分类器之间的差异度。通过遗传算法为每个基分类器构建独立的特征集,目的是获得基分类器之间更好的差异性。同时,根据不同基分类器的分类性能进行优化加权集成,获得更好的泛化能力。最后,采用Softmax回归作为基分类器,将改进的Bagging集成方法应用到互联网流量分类,实验结果表明,改进方法相比经典 Bagging 方法在分类准确率上有显著提高,与利用决策树集成的随机森林相比也有较好的性能提升。