PL EN


Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników
2010 | nr 570 Współczesne aspekty informacji. T. 2 | 361--371
Tytuł artykułu

Budowanie kontekstowych zespołów ekspertów

Warianty tytułu
Building contextual ensembles of experts
Języki publikacji
PL
Abstrakty
Wyniki teoretyczne i praktyczne prowadzonych badań pokazują siłę dyskryminacyjną zespołów ekspertów. Większość technik generowania członków takich zespołów stosuje mechanizm losowy (próbkowanie, selekcja atrybutów). To zdecydowanie utrudnia bądź nawet uniemożliwia interpretację otrzymanych wyników i zadań wykonywanych przez poszczególnych ekspertów. Przedmiotem tego artykułu jest pomysł zastosowania kontekstów danych do definiowania zadań dla członków zespołu ekspertów. Podejście to unika ograniczeń interpretacyjnych oraz daje obiecujące wyniki. (abstrakt oryginalny)
EN
The researches have brought empirical and theoretical results clearly showing the discrimination power of expert ensembles. Most of techniques for generating members of ensemble rely on mechanism of randomization (sampling, feature selection). It considerably complicates, or, in some cases, effectively hinders interpretation of the ob-tained results and learning tasks executed by experts. The purpose of this paper is to present an idea for using data contexts to define learning tasks for expert ensembles. This approach avoids interpretive limitations and gives promising results.(original abstract)
Twórcy
Bibliografia
  • Condorset Marquis J.A.: Sur les elections par scrutiny, [w:] Histoire de l'Academie Royale des Sciences, 31-34, 1781.
  • Nitzan S.I., Paroush J.: Collective Deciusion Making, Cambridge University Press, 1985.
  • Dietterich T.G.: Ensemble methods in Machine Learning. In Proc. of 1th Intern. Workshop on Multiple Classifier Systems, pp. 1-15, 2000.
  • Kuncheva L.I., Whitaker C J.: Measures of diversity in classifier ensembles, "Machine Learning 51", s. 181-207,2003.
  • Ruta D., Gabryś B.: New measure of classifier dependency in multiple classifier systems, [w:] Roli F., Kittler J. (red.): Proc. of the 3th International Workshop on Multiple Classifier System, LNCS 2364, s. 127-136, Springer Verlag, 2002.
  • Schiele B.: How Many Classifiers Do I Need? IEEE Pattern Recognition Vol. 2, s. 176- 179,2002.
  • Cunningham P.: Ensemble techniques, Technical Report UCD-CSI-2007-5, April 2, 2007; dostępny 22.06.07 - csiweb.ucd.ie/UserFiles/publications/UCD-CSI-2007-5.pdf
  • Kwok S.W., Carter C., Multiple decision trees. W: Uncertainty in Artificial Intelligence, Schachter R.D., Levitt T.S., Kannal L.N., Lemmer, J.F.(red.), pp. 327-335, Elsevier Science, Amsterdam, 1990.
  • Kuncheva L.I.: Combining Pattern Classifiers. Methods and Algorithms, Wiley, 2004.
  • Verikas A., Lipnickas A., Malmqvist K., Bacauskiene M., Gelzinis A.: Soft combination of neural classifiers: A comparative study, Pattern Recognition Letters 20, s. 429-444, 1999.
  • ShiXin Y., Feature Selection and Classifier Ensembles: A Study on Hyperspectral Remote Sensing Data, PhD The University of Antwerp, 2003.
  • Aksela M.: Comparison of Classifier Selection Methods for Improving Committee Per-formance, Proc. of 4th International Workshop on Multiple Classifier Systems, MCS2003, Guildford, Surrey, United Kingdom, June 11-13, 2003. s. 84-93.
  • Giacinto G., Roli F.: Methods for Dynamic Classifier Selection, Proc. of the first Int. Workshop on Multiple Classifier Systems (MCS 2000), Lecture Notes in Computer Science 1857, Springer, Berlin, pp. 177-189, 2000.
  • Nock R.: Inducing interpretable Voting Classifiers without Trading Accuracy for Simplisity: Theoretical Results, Approximation Algorithms, and Experiments," Journal of Artificial Intelligence Research "17, AI Access Foundation and Morgam Kaufman Publishers, 2002.
  • Jakubczyc J.A: Contextual Classifier Ensembles, [w:] Abramowicz W. (red.): "Business Information Systems", LNCS 4439, s. 562-569, Springer 2007.
  • Jakubczyc J.A.: Kontekstowy klasyfikator złożony, [w:] Niedzielska E., Dudycz H., Dyczkowski M (red.): Nowoczesne technologie informatyczne w zarządzaniu, Prace Naukowe AE nr 1121, s. 313-322, Wrocław 2006.
  • Dietterich T.G., Bakiri.G., Solving multiclass learning problems via error-correcting output codes. "Journal of Artificial Intelligence Research", 2:263-286, 1995.
  • Turney P. D.: Robust classification with context-sensitive features. In "Industrial and Magineering Applications of Artificial Intelligence and Expert Systems", Edinburgh, Scot¬land Gordon and Breach, 1993.
  • Dietterich T.G.: An Experimental Comparison of the Methods for Constracting Ensembles of Decision Trees: Bagging, Boosting, and Randomization, Machine Learning, 1-22, 1999.
  • Banfield R.E., Hall L.O., Bowyer K.W., Bhadoria D., Kegelmeyer W.P., Eschrich S.: A Comparison of Ensemble Creation Techniques, [w:] Proc. of the 5th International Conference on Multiple Classifier Systems, Cagliari, Italy, 2004.
  • quinlan@cs.su.oz.au Repository of Machine Learning Databases, http://www.ics.uci.edu/~mlearn/MLRepository.html
Typ dokumentu
Bibliografia
Identyfikatory
Identyfikator YADDA
bwmeta1.element.ekon-element-000171258067

Zgłoszenie zostało wysłane

Zgłoszenie zostało wysłane

Musisz być zalogowany aby pisać komentarze.
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.