一、基本概念
藉由辨識器的結合的方式使我們可以在亦趨複雜的結構中更加專精於精確辨識 效能的追求(Kuncheva, 2003)。換句話說，藉由辨識器的結合，可以讓我們去突破單 一辨識器所產生的辨識效果提升之瓶頸的問題，取而代之的是藉由多個辨識器的結合 以獲的更佳的辨識效果。這樣的概念又如同Ho(2002)所認為：現在我們所追求的是藉 由多個辨識器的結合效果來取代追求單一辨識器低辨識效果的窘境。可以想像的是，
接下來我們所追求的是多個辨識器應該如何做結合才能獲得最佳的辨識效果。
在目前針對單一複雜結構的情況下作辨識率的提升是有其瓶頸的，自然而然多個 辨識器進行結合企圖獲取更佳的辨識效果是一個自然的思維。就目前的情況來看，辨 識器結合的概念在樣式比對的領域中正急速的成長，且越來越有其重要地位
(Kuncheva, 2003)。
二、統計概念下的結合意函
多個辨識器的結合效果引人注目，且在樣式辨識(pattern recognizing)領域中應用 越來越廣泛。其最主要的原因在於多個辨識的結合效果可能優於單一辨識器辨識的效 果。在此我們就統計的觀點來做這面向的解釋―為何結合多重辨識器辨識效能優於單 一辨識器的辨識效能？
以圖形解釋觀點來看，應該可以清楚明瞭其中的概念。首先先定義圖形基本架 構，如圖2-8所示。
圖2-8. 辨識器辨識效果分佈區域
圖2-8的D1,D2,D3,D4為單一辨識器，D 為該問題的理想最佳辨識器。白色區域為各* 辨識器的可辨識區域，灰色區域是各辨識器的最佳辨識區域(Dietterich, 2000)。
以這樣的觀點來看，若是能尋找到D 的話，那該問題便有最佳的辨識結果*
(Dietterich, 2000)；然這樣的情況並不多見，至少在結構複雜的情況下，要做這最佳 辨識器的尋找是相當困難的，在這樣的情況下我們可以專注在尋找多個辨識器的結 合，以獲得趨近於D 的理想辨識器。 *
三、結合的流程、方法
其結合的方式我們可以採用由Kuncheva(2003)提出的架構。其基本架構如圖2-9 所示：
。D 1
。D2
。D 3
。D4
。D *
圖2-9. 建構多重辨識器結合的方式
就圖2-9來看，資料結構區塊所定義的是各單一辨識器辨識出來的類別資料型 態。若以本研究的觀點便是錯誤類型、子技能和能力指標的有(1)或無(0)的後驗機率 值。而在資料單元部分所定義的是輸入各單一辨識器的資料及其型態。該部分依所要 使用的結合演算策略所需要的資料型態為主，可能是機率值；或是狀態值。而在單一 辨識器的部分，所定義的是辨識器的結構，一本文所做的研究即是針對單一貝氏網路 結構。而在辨識器結合的部分，就是定義辨識器應該怎樣進行結合的演算法。上述該 方法是由Kuncheva(2003)所提出的方法。
由上面可以看出，整個多重辨識器結合的做法，可以簡單的將觀點著重在結合的 方式。換句話說，怎樣的結合將會使辨識效果獲得改善，甚而突破。而這也是本研究 的研究核心―怎樣的結合演算法可以使辨識效果獲得最大的進步、突破。
資料結構
資料單元
辨識器1 辨識器2 …… 辨識器L
辨識器結合階段
四、結合的方式
圖2-11. 多重辨識器選擇策略概念圖