李朋飞，于 洪

（1.重庆邮电大学计算智能重庆市重点实验室，重庆400065；2.重庆邮电大学计算机科学与技术学院，重庆400065）

引 言

分类在帮助人类理解事物和理解自然方面起着重要的作用，鉴于这种情况，集成学习可以提供一个有效的学习框架，将多个具有不同优点的子模型组合成一个效果更好的模型。集成学习作为一种高效的分类方法，其性能往往高于单个最优的分类器［1］，在故障检测、文本处理和统计学等诸多领域引起了很大关注［2⁃5］。然而，集成学习方法有两个重要的缺陷。首先，在集成系统中，它需要更多的内存去存储所有学习模型；其次，它需要更多的计算时间来对未标记的样本进行预测打标。在整个集成分类过程中，存储和计算时间随着参与集成的分类器数量的增加而增加。现有的集成技术大多使用经过训练的各个分类器来组成集成系统，这使集成系统不必要地增大，导致了额外的内存开销和计算时间。为了弥补现有分类方法的不足，提高集成学习的预测能力和效率，本文提出了一种基于属性约简的自采样集成分类方法。根据粗糙集理论［6⁃8］，采用属性约简的方法［9］可以得到多个特征约简子空间，基于每个特征子空间都可以得到知识。从属性约简的定义来说，约简的目的就是以较少的特征（属性）来描述这个信息系统［10］，而这个较小的系统反映的知识与原来的系统是一样的。所以，基于这种认识，本文认为基于这些属性约简后可以得到多个信息系统来获取分类知识，这正好也体现了集成学习的特点。……