Zastosowanie miar pozycyjnych do badania relacji między zróżnicowaniem a dokładnością klasyfikacji w podejściu zagregowanym w taksonomii

• Autorzy: Dorota Rozmus

Warianty tytułu

Applying of Position Measures for Study of Relationship between Diversity and Accuracy in Cluster Ensemble

• Języki publikacji: PL

Abstrakty

Dotychczas podejście wielomodelowe z dużym powodzeniem stosowane było w dyskryminacji i regresji w celu podniesienia dokładności predykcji. W ostatnich latach analogiczne propozycje pojawiły się w taksonomii, aby zapewnić większą poprawność i stabilność wyników klasyfikacji. Ważnym czynnikiem przyczyniającym się do sukcesu podejścia wielomodelowego jest zróżnicowanie elementów wchodzących w skład klasyfikacji zagregowanej. Zasadniczym celem badania jest próba zastosowania miar pozycyjnych w zaproponowanych dotąd miernikach zróżnicowania [Hadjitodorov, Kunchcva, Todorova 2006] do zbadania relacji, jakie zachodzą między poziomem zróżnicowania klasyfikacji składowych a jakością klasyfikacji zagregowanej w podejściu wielomodelowym w taksonomii oraz porównanie wyników z dotychczas stosowanymi sposobami badania tych relacji.(abstrakt oryginalny)

EN

Ensemble approach has been successfully applied in the context of supervised learning to increase the accuracy and stability of classification. Recently, analogous techniques for cluster analysis have been suggested. Diversity within an ensemble is of vital importance for its success. The main aim of this research is a trial to apply position measures in proposed in literature diversity measures [Hadjitodorov et al. 2006] in order to check the relationship between diversity and accuracy in cluster ensemble and compare the results with as yet applied ways of measuring it.(original abstract)

Słowa kluczowe

PL

Taksonometria; Podejście wielomodelowe; Klasyfikacja; Badania empiryczne

EN

Taxonometry; Multiple-model approach; Classification; Empirical researches

• Czasopismo: Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu. Taksonomia
• Rocznik: 2010
• Tom: 17
• Numer: nr 107 Klasyfikacja i analiza danych - teoria i zastosowania
• Strony: 286--295

Twórcy

autor

Dorota Rozmus

• Akademia Ekonomiczna im. Karola Adamieckiego w Katowicach

Bibliografia

• Breiman L., Bagging predictors, "Machinę Learning" 1996, 26(2).
• Fern X.Z., Bradley C.E., Random projection for high dimensional data clustering: a cluster ensembl approach, "Proceedings of the 20th International Conference on Machine Learning", ICM" Washington, DC 2003.
• Fred A., Finding Consistent Clusters in Data Partitions, [w:] Proceedings of the International Work shop on Multiple Classifier Systems, F. Roli, J. Kittler (red.), LNCS 2364, 2002.
• Fred A., Jain A.K., Data clustering using evidence accumulation, "Proceedings of the 16th International Conference on Pattern Recognition", ICPR, Canada 2002, 276-280.
• Freund Y., Boosting a weak learning algorithm by majority, "Proceedings of the 3rd Annual Work shop on Computational Learning Theory" 1990.
• Hadjitodorov S.T., Kuncheva L.I., Todorova L.P., Moderate diversity for better cluster ensembl "Information Fusion" 2006, 7.
• Hornik К., A CLUE for CLUster Ensembles, "Journal of Statistical Software" 2005, 14.
• Kuncheva L.I., That elusive diversity in classifier ensembles, "Lecture Notes in Computer Science", Springer-Verlag, Mallorca, Spain 2003, vol. 2652.
• Kuncheva L.I., Hadjitodorov S.T., Using diversity in cluster ensembles, "Proceedings of IEEE International Confference on Systems, Man and Cybernetics" 2004.
• Kuncheva L.I., Whitaker C.J., Measures of diversity in classifier ensembles, "Machinę Learning" 2003,51.
• Strehl A., Ghosh J., Cluster ensembles - a knowledge reuse framework for combining partitionings, "Journal of Machine Learning Research" 2002, 3.
• Tsymbal A., Pechenizkiy M., Cunningham P., Diversity in ensemble feature selection, "Technical Report", Trinity College, Dublin 2003.