Kontekstowy klasyfikator złożony

• Autorzy: Janina Anna Jakubczyc

Warianty tytułu

The Context Ensemble Classifier

• Języki publikacji: PL

Abstrakty

Pojedyncze klasyfikatory często nie dają satysfakcjonujących wyników, głównie z powodu trzech ograniczeń, a mianowicie: statystycznego, obliczeniowego oraz reprezentacyjnego. Jednym z proponowanych rozwiązań są klasyfikatory złożone, których idea polega na definiowaniu wielu zadań uczenia w ramach jednego pliku uczącego. Klasyfikator taki otrzymuje się, manipulując plikiem uczącym lub mechanizmem sterowania w algorytmie uczącym. Celem niniejszego artykułu jest zdefiniowanie różnych zadań uczenia poprzez manipulację etykietami przykładów, z zastosowaniem kontekstów danych uczących.
Jego kolejne rozdziały to wprowadzenie do problematyki klasyfikatorów złożonych ze wskazaniem możliwych modyfikacji ich tworzenia, propozycja rozwiązań i wyniki wstępnych badań oraz podsumowanie wyników. (fragment tekstu)

EN

Ensemble methods are the means for difficult learning task in supervised learning. The idea is to construct a collection Of individual classifiers on the basis of one learning set. This task can be accomplished by manipulation of data set or control mechanism of learning algorithm. This paper proposal is defining different learning task using context inserted in data set by manipulating the output targets. (original abstract)

Słowa kluczowe

PL

Klasyfikacja; Analiza danych

EN

Classification; Data analysis

• Czasopismo: Prace Naukowe Akademii Ekonomicznej we Wrocławiu
• Rocznik: 2006
• Numer: nr 1134 Nowoczesne technologie informacyjne w zarządzaniu
• Strony: 313--322

Twórcy

autor

Janina Anna Jakubczyc

• Akademia Ekonomiczna we Wrocławiu

Bibliografia

• Adeva J.J.G., Beresi U.C., Calvo R.A., Accuracy and Diversity in ECOC Ensembles of Text Categorisers, dostępny: http://citeseer.ist.psu.edu/732806.html, 2000.
• Adeva J.J.G., Calvo R.A., A Decomposition Scheme Based on Error-Correcting Output Codes for Ensembles of Text Categorisers, Proceedings of the International Conference on Information Technology and Applications (ICITA), IEEE Computer Society, 2005.
• Credit Approval. Repository of Machine Learning Databases [http://www.ics.uci.edu/~mlearn//MLRepository.html], Confidential - [e-mail].
• Dietterich T.G., Bakiri G., Solving Multiclass Learning Problems via Error-correcting Output Codes, "Journal of Artificial Intelligence Research" 1995 nr 2, s. 263-286.
• Dietterich T.G., Ensemble Methods in Machine Learning, Proc. of 1th Intern. Workshop on Multiple Classifier Systems, 2000, s. 1-15.
• Hansen L., Salamon P., Neural Network Ensembles, "IEEE Trans. Pattern Analysis and Machine Intelligence" 1990 nr 12, s. 993-1001.
• Kolen J.K., Pollack J.B., Back Propagation is Sensitive to Initial Conditions, [w:] Advances in Neural Information Processing Systems, vol. 3, s. 860-867, CA. Morgan Kaufmann, 1991.
• Kuncheva L.I., Using Diversity Measures for Generating Error-correcting Output Codes in Classifier Ensembles, "Pattern Recognition Letters" 2005, nr 26, s. 83-90.
• Kwok S.W., Carter C., Multiple Decision Trees, [w:] Uncertainty in Artificial Intelligence, red. R.D. Schäachter, T.S. Levitt, L.N. Kannal, J.F. Lemmer, Elsevier Science, Amsterdam 1990, s. 327-335.
• Masulli F., Valentini G., An Experimental Analysis of the Dependence among Codeword Bit Errors in ECOC Learning Machines, "Neurocomputing" 2004 nr 57C, s. 189-214.
• Raviv Y., Intrator N., Bootstrapping with Noise: An Effective Regularization Technique, "Connection Science" 1996 nr 8(3-4), s. 355-372.
• Ricci F., Aha D.W., Extending Local Learners with Error-correcting Output Codes, Technical Report, Naval Center for Applied Research in AI, Washington, D.C., 1997.
• Rousu J., Efficient Range Partitioning in Classification Learning, Dep. of Computer Science Series of Publications University of Helsinki, A Report A-2001-1, dostępny: http://citeseer.ist.psu.edu//correct/394680.
• Schapire R.E., i in., Boosting the Margin: A New Explanation for the Effectiveness of Voting Methods, Proc. 14th Intern. Conf. on Machine Learning, 1998.
• Schapire R.E., The Theoretical Views of Boosting and Applications, Algorithmic Learning Theory, Proceedings of The 10th Intern. Conf., ALT '99, Tokyo, Japan 1999.
• ShiXin Y., Feature Selection and Classifier Ensembles: A Study on Hyperspectral Remote Sensing Data, PhD The University of Antwerp 2003.
• Turney P.D., Robust Classification with Context-sensitive Features, "Industrial and Magineering Applications of Artificial Intelligence and Expert Systems", Gordon and Breach, Edinburgh 1993.
• Xu L., Krzyżak A., Suen C.Y., Methods of combining multiple classifiers and their applications to handwriting recoguition, "IEEE Transations SMC" 1997, vol. 22, s. 418-434.