研究人员推出了一种新颖的堆叠集成框架 LFS-FRAME，旨在增强多类别分类。该方法结合了 Kolmogorov-Arnold 网络 (KAN) 捕捉平滑函数关系的能力和 XGBoost 的基于规则的学习能力。LFS-FRAME 采用严格的离群堆叠策略来防止性能泄漏，并能有效地从不同基础学习器的概率输出中学习。实验表明，在多类别数据集上，主要家族的整体准确率达到 89.85%，子家族达到 81.74%，性能指标有所提高。 AI
影响 引入了一种新颖的集成方法，可以提高跨各种领域的复杂分类任务的准确性。
排序理由 该集群包含一篇详细介绍多类别分类新方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
