Matlab 基于包装器方法的集成分类器

我正在尝试使用集成学习（viting、stacking等）组合多个分类器（ANN、SVM、kNN等）

为了制作分类器，我使用了20多种类型的解释变量。 然而，每个分类器都有最好的解释变量子集。因此，在wrapper方法中为每个分类器寻找解释变量的最佳组合， 我想使用集成学习（viting、stacking等）组合多个分类器（ANN、SVM、kNN等）

通过使用weka的元学习，我应该能够使用集成本身。 但是，由于包装器方法总结了每个分类器的预测，因此我无法获得解释变量的最佳组合

---

如果可以在matlab或R中更容易地解决，我不会坚持使用weka。使用集成方法，使用非常简单的分类器可以获得最佳结果。另一方面，它可以非常快，以弥补合奏成本

这一点乍看起来可能有悖常理：我们可以使用更好的输入分类器来产生更好的输出。然而，有两个原因导致这不起作用

首先，对于简单分类器，您通常可以对其进行更多调整，以获得一组不同的输入分类器。全维方法+特征打包为您提供了一组不同的分类器。内部进行特征选择或约简的分类器使得特征装袋在很大程度上无法获得多样性。其次，一个复杂的方法，如支持向量机，更有可能优化/收敛到非常相同的结果。毕竟，复杂的方法应该经过更大的搜索空间，并在这个搜索空间中找到最佳结果。但这也意味着，你更有可能再次得到同样的结果。

---

最后但并非最不重要的一点是，当使用非常原始的分类器时，错误表现得更好，并且更可能在集合组合中消除

1）发布一个清晰的问题。。。不是投机。2） 如果需要帮助解决问题，请提供代码。解决问题也是如此。不是智囊团。谢谢你礼貌的回答！对不起，迟了答复。