The Interpretability of Contextual Classifier Ensemble

• Autorzy: Janina A. Jakubczyc

Warianty tytułu

Możliwości interpretacyjne kontekstowego klasyfikatora złożonego

• Języki publikacji: EN

Abstrakty

EN

While decision trees are usually claimed to be easily interpretable, one cannot say this about decision tree ensembles. Dominant feature of decision tree ensembles is the loss of an interpretability. The aim of this paper is to overcome this issue of comprehensibility by using contextual classifier ensemble.(original abstract)

Modele drzew decyzyjnych uważa się za łatwe do interpretacji, ale nie można tego powiedzieć o zespołach drzew decyzyjnych. Utrata możliwości interpretacyjnych stanowi istotne ograniczenie w ich zastosowaniach. Celem tego artykułu jest przedstawienie propozycji tworzenia zespołów drzew decyzyjnych według kryterium kontekstu, dającej możliwość zwiększenia interpretacyjności zespołów klasyfikacyjnych.(abstrakt oryginalny)

Słowa kluczowe

EN

Decision proces; Hierarchical classification methods; Decision-making models; Decision tree

PL

Proces decyzyjny; Hierarchiczne metody klasyfikacyjne; Modele podejmowania decyzji; Drzewo decyzyjne

• Czasopismo: Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu. Informatyka Ekonomiczna
• Rocznik: 2010
• Tom: 16
• Numer: nr 104 Data Mining and Business Intelligence
• Strony: 89--98

Twórcy

autor

Janina A. Jakubczyc

• Wrocław University of Economics, Poland

Bibliografia

• Breiman L. (2009), Looking inside the black box, http://stat-www.berkeley.edu/users/breiman/wald2002-2.pdf (8.12.2009).
• Breiman L., Freidman J.H., Olshen R. A., Stone C.J. (1984), Classification and Regression Trees, Wadsworth International Group, Belmont, CA, pp. 203-215.
• Buja A., Lee Y.S. (2001), Data mining criteria for tree-based regression and classification, [in:] Proceedings of the 7th International Conference on Knowledge Discovery in Databases, ACM, New York, pp. 27-36.
• Dietterich T.G. (2000), Ensemble methods in machine learning, [in:] First International Workshop on Multiple Classifier Systems, Eds. J. Kittler, F. Roli, Lecture Notes in Computer Science, Springer Verlag, New York, pp. 1-15.
• Dzeroski S., Zenko B. (2004), Is combining classifiers with stacking better than selecting the best one?, Machinę Learning, Vol. 54, pp. 255-273.
• Friedman J.H., Popescu B.E. (2008), Predictive learning via rule ensembles, The Annals of Applied Statistics, Vol. 2, No. 3, pp. 916-954.
• Gatnar E. (2008), Podejście wielomodelowe w zagadnieniach dyskryminacji i regresji, Wydawnictwo Naukowe PWN, Warszawa.
• Jakubczyc J.A. (2007a), Contextual classifier ensembles, [in:] Business Information Systems, Ed. W. Abramowicz, Lecture Notes in Computer Science, Vol. 4439, Springer, Berlin-Heidelberg.
• Jakubczyc J.A. (2007b), Predykcja migrujących klientów firmy telekomunikacyjnej z wykorzystaniem złożonego klasyfikatora kontekstowego, [in:] Systemy wspomagania organizacji, Eds. T. Porębska--Miąc, H. Sroka, Wydawnictwo Akademii Ekonomicznej, Katowice.
• Meinshausen N. (2009), Node harvest: Simple and interpretable regression and classification, working paper http://arxiv.org/abs/0910.2145 (19.12.2009).
• Mulvaney R., Phatak D.S. (2003), A method to merge ensembles of bagged or boosted forced-split decision trees, IEEE Transaction on PAMI.
• Nock R. (2002), Inducing interpretable voting classifiers without trading accuracy for simplicity: Theoretical results, approximation algorithms, and experiments, Journal of Artificial Intelligence Research, Vol. 17, pp. 137-170.
• Stefanowicz B. (2009), Informacja i wiedza, [in:] Aspekty informatyzacji organizacji, Ed. A. Nowicki, Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu nr 55, Informatyka Ekonomiczna 13, Wydawnictwo Uniwersytetu Ekonomicznego, Wrocław, pp. 381-391.
• Szpunar-Huk E. (2006), Classifier building by reduction of an ensemble of decision trees to a set of rules, [in:] Proceedings of the Computational Intelligence for Modeling, Control and Automation and International Conference on Intelligent Agents Web Technologies and International Com-merce (CIMCA-IAWTIC'06), IEEE Computer Society, Washington, DC, pp. 144-155.
• Turney P.D. (1993), Robust classification with context-sensitive features, [in:] Proceedings of the Sixth International Conference on Industrial and Engineering Applications of Artificial Intelligence and Expert Systems, Edinburgh, Scotland, June, pp. 268-276.
• Van Assche A., Blockeel H. (2007), Seeing the forest through the trees: Learning a comprehensible model from an ensemble, Lecture Notes in Computer Science, Vol. 4701, Springer, Berlin-Heidelberg, pp. 418-429.
• Ward D. (2007), Data and Metadata Reporting and Presentation Handbook, http://www.oecd.org/dataoecd/46/17/37671574.pdf (11.03.2010).
• Zimmermann A. (2008), Ensemble-trees: Leveraging ensemble power inside decision trees, Lecture Notes in Computer Science, Vol. 5255, Springer, Berlin-Heidelberg, pp. 76-87.