一种集成学习中基学习器权重分配方法

本发明公开了一种集成学习中基学习器权重分配方法，所述方法包括：结合Tyler‑M估计器和线性收缩估计器，构建收缩鲁棒Tyler‑M估计器，应用于分类任务时在收缩鲁棒Tyler‑M估计器中引入对角矩阵；采用交叉验证法确定最优收缩参数和最优主成分数；基于收缩鲁棒Tyler‑M估计器或引入对角矩阵的收缩鲁棒Tyler‑M估计器、最优收缩参数和最优主成分数，采用PCA或2DPCA对样本数据集进行主成分分析，然后计算基学习器的最优权重。本发明构建了对高维数据、有限样本量数据和非高斯分布数据具有鲁棒性的新型协方差矩阵估计器，提升了集成回归器的回归准确度，并且适用于分类任务，提升了集成分类器的分类精度。