《表1 Stacking算法流程》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《联合卷积神经网络与集成学习的遥感影像场景分类》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

Bagging法主要通过在训练阶段对原始训练数据集随机抽样构成子训练集，并用每一个子训练集训练一个分类器，在预测过程中将多个分类器对同一数据的预测结果进行投票或求概率均值，从而得到最终预测结果。Boosting法是一种基于迭代训练的集成方法，在训练过程中对每一个训练子集赋予相同的权重，每次训练后，对训练失败的训练子集赋以较大的权重，使得算法在后续的学习中对比较难的训练子集进行学习，最终预测函数对分类问题采用有权重投票方式。Stacking方法是一种基于多级分类思想的集成学习方法，利用初始训练数据学习出若干子分类器组成第一级分类器（基分类器），并将第一级分类器的预测结果作为新的特征，训练第二级分类器（元分类器）。在理论上，Stacking方法可以用来表示Bagging和Boosting法，同时也具有更优秀的分类性能，因此本文选择Stacking集成方法，其算法如表1所示（Zhou，2012）。