Wpływ metody łączenia modeli na wielkość błędu klasyfikacji w podejściu wielomodelowym

• Autorzy: Eugeniusz Gatnar

Warianty tytułu

The Impact of Combination Function on the Classification Error in Classifier Fusion

• Języki publikacji: PL

Abstrakty

Budowa modeli bazowych jest oparta na zbiorze M prób uczących U₁, …, U_M, będących podzbiorami oryginalnego zbioru uczącego U. Podzbiory te mogą zawierać albo wybrane obserwacje ze zbioru U, albo wszystkie obserwacje, lecz rzutowane na różne podprzestrzenie zmiennych. Łączenie modeli bazowych realizuje funkcja Ψ określona na zbiorze ich wyników predykcji:
         ^                 ^             ^
         D*(x_i.) = &

EN

936; (D₁(x_i), ..., D_M (x_i)),
Przy czym jej rodzaj zależy od postaci wyników predykcji modeli bazowych D₁, …, D_M. Funkcja ta nadaje wyższe wagi tym modelom, które charakteryzują się większą dokładnością, niż tym, które generują większy błąd predykcji. Ponieważ w literaturze przedmiotu zaproponowano kilkanaście różnych funkcji Ψ, powstaje potrzeba zbadania wpływu postaci funkcji na błąd predykcji modelu zagregowanego. To zagadnienie jest właśnie podstawowym przedmiotem rozważań w niniejszym artykule. (fragment tekstu)

Słowa kluczowe

PL

Podejście wielomodelowe; Błąd klasyfikacji; Funkcje

EN

Multiple-model approach; Classification error; Functions

• Czasopismo: Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu. Taksonomia
• Rocznik: 2008
• Tom: 15
• Numer: nr 7 (1207) Klasyfikacja i analiza danych - teoria i zastosowania
• Strony: 89--98

Twórcy

autor

Eugeniusz Gatnar

• Akademia Ekonomiczna im. Karola Adamieckiego w Katowicach

Bibliografia

• Domingos P., Pazzani M. (1997), On the Optimality of the Simple Bayesian Classifier under Zero- One Loss, „Machine Learning" 29, s. 103-130.
• Gatnar E. (2001), Nieparametryczna metoda dyskryminacji i regresji, Wydawnictwo Naukowe PWN, Warszawa.
• Grabisch M. (1995), On Equivalence Classes of Fuzzy Connectives - the Case of Fuzzy Integrals, „IEEE Transactions on Fuzzy Systems" 3(1), s. 96-109.
• Huang Y.S., Suen C.Y. (1995), A Method of Combining Multiple Experts for the Recognition of Unconstrained Handwritten Numerals, „IEEE Transactions on Pattern Analysis and Machine Intelligence" 17, s. 90-93.
• Kuncheva L., Bezdek J.C., Duin R. (2001), Decision Templates for Multiple Classifier Fusion: An Experimental Comparison, „Pattern Recognition" 34, s. 299-314.
• Therneau T.M., Atkinson E.J. (1997), An Introduction to Recursive Partitioning using the RPART Routines, Mayo Foundation, Rochester.
• Wernecke K.-D. (1992), A Coupling Procedure for Discrimination of Mixed Data, „Biometrics" 48. s. 497-506.