Machine learning 监督学习

问题是如何组合检测器的输出概率。 我的每个探测器d_i都给出了场景中物体存在的概率p_i。 我有一个带标签的数据集，我想学习检测器的加权组合，以获得一个（更准确的）全局检测器

对于这样的问题，我可以使用什么算法？我想比较不同的方法。作为第一步，权重可以是固定值。然后，它将是很好的，使他们适应根据一个时间背景，例如

---

感谢您的想法。

一个很好的起点是，它根据探测器在数据集上的相对性能来确定探测器的权重。该算法有多种变体，其中一些可以处理随时间漂移的目标

---

如果您的检测器都是同一模型的实例（具有不同的参数），您还可以查看各种算法，但如果您的兴趣是比较基本算法的相对性能，则这些算法可能不太适用。

谢谢，这是一个很好的起点。目标是组合N个概率。根据正样本和αi上的条件直接最小化（1-\sum{i=1}{N}{alpha_i*P_i}）是不是可能的？我不认为它是那么简单。如果alphas是权重（介于0和1之间），并且您仅使用正示例最小化上述等式，那么解决方案就是将所有alpha设置为1。实际上，我们也应该最小化负样本的加权和。