基于类权重和最小化预测熵的测试时集成方法

摘要

针对传统集成学习方法忽略不同样本需使用不同模型权重的问题，提出一种基于类权重和最小化预测熵(class and entropy weights, CEW)的测试时集成方法。类权重为模型预测结果与验证集上各类概率对错分布的相似度，利用欧氏距离计算相识度；在最小化熵过程中，线性组合模型预测经过类权重模块加权后的输出，寻找最小预测熵对应的线性组合作为熵权重，提高集成模型预测能力。试验结果表明：在4个公开医学图像数据集上，CEW方法与最优单一模型相比，平均召回率提高0.23%～2.81%,准确率提高0.5%～2.54%;与DS方法相比，CEW方法平均召回率最多提高1.25%,准确率最多提高1.1%。基于CEW的测试时集成方法能够在测试时(无标签情况下)动态调整模型权重，比同类方法的预测精度更高。

关键词

测试时集成方法 / 医学图像分类 / 类权重 / 最小化熵 / 深度学习