基于遗传算法和Bagging-SVM集成分类器

原理： 决策树生成算法： 是递归地生成决策树，它往往分类精细，对训练数据集分类准确，但是对未知数据集却没有那么准确，有比较严重的过拟合问题。因此，为了简化模型的复杂度，使模型的泛化能力更强，需要对已生成的决策树进行剪枝。 集成分类算法： 集成（Ensemble）分类模型综合考量多个分类器的预测结果，从而做出决策。 随机森林分类器用相同的训练数据同时搭建多个独立的分裂模型，然后通过投票的方式，以少数服从多数的原则作出最终分类的决策。在相同的训练数据上同时搭建多棵决策树，每棵决策树会放弃固定的排序算法，随机选取特征。 梯度提升决策树按照一定的次序搭建多个分类模型。模型之间彼此存在依赖关系。后续加入

这是一本英文电子书，讲的是分类器组合方法，是对分类器组合方法的综述，内容很全面

三种用于垃圾网页检测的随机欠采样集成分类器.pdf

详细的论述了集成分类器的特点以及典型的集成分类器进行了一定的比较，重点对随机森林进行了深入透彻的分析

使用matlab训练集成分类器，这里使用的是BP网络，也可以很方便地改为其他分类器，与单个BP分类器相比，正确率由87%上升到97.9，有明显地提高。