关键词：集成学习 bagging算法 聚类 剪枝 

摘要：针对增加集成学习Bagging算法中分类器的差异性,提高集成学习算法模型的鲁棒性,研究了基于k-means聚类技术对集成学习算法Bagging进行剪枝。在基础Bagging算法中融合对Bagging分类器的聚类,然后在不同簇中选择具有代表价值的分类器为最终集成学习预测结果投票,并在多个机器学习数据集上验证这种提高差异性的方法与基本Bagging性能的差异。经过仿真实验最终得出在算法迭代10次的前提下,改进的Bagging算法较常规Bagging算法在10个实验数据集中提高了7个数据集的预测精度,其精度提高的平均值在3%;在算法迭代100次的前提下,改进的Bagging算法较常规Bagging算法在10个实验数据集中提高了9个数据集的预测精度,其精度提高的平均值为2.5%。为复杂数据库环境下Bagging算法的应用提供了新思路。

光学与光电技术杂志要求:

{1}摘要需概述文章研究的目的、主题、论点等，一般为150～300字。

{2}来稿必须为原创性作品，此前未经公开发表。严禁抄袭、剽窃和一稿多投，如有发现，将永不刊用该作者来稿。

{3}来稿经审查后,编辑部有权对来稿作适当文字修改.来稿不退,请作者自留底稿。

{4}标题：一般单独占行，居左；段首小标题，前空两格，后空一格。

{5}正文中内容与图、表、注释内容不得重复。所附图、表请插入正文相应位置。

注：因版权方要求，不能公开全文，如需全文，请咨询杂志社