Confidence of Classification and its Application to Classifier Aggregation

0089875 - ÚI 2008 CZ eng K - Konferenční příspěvek (tuzemská konf.)
Štefka, David
Confidence of Classification and its Application to Classifier Aggregation.
[Spolehlivost klasifikace a její použití pro agregaci klasifikátorů.]
Doktorandské dny 2007. Praha: Česká technika ČVUT, 2007, s. 201-210. ISBN 978-80-01-03913-7.
[Doktorandské dny 2007. Praha (CZ), 16.11.2007]
Grant CEP: GA AV ČR 1ET100300517
Klíčová slova: classification * classifier combining * classifier selection * classifier aggregation * confidence of classification

Classifier combining is a succesful method for improving the quality of classification. In this paper, we introduce the concept of confidence of classification and define two confidence measures -- the local accuracy and the local diversity. We propose algorithms for classifier aggregation which utilize the concept of confidence. We then compare the performance of these algorithms with several state-of-the-art classifier combining techniques. Results of these benchmark tests show that by incorporating confidence into classifier aggregation algorithms, the state-of-the-art methods can be improved.

Kombinování klasifikátorů je úspěšná metoda pro zvýšení kvality klasifikace. V tomto článku zavedeme koncept spolehlivosti klasifikace a definujeme dvě míry spolehlivosti klasifikace -- lokální přesnost a lokální diverzitu. Vytvoříme algoritmy pro agregaci klasifikátorů, které využívají koncept spolehlivosti klasifikace. Poté porovnáme tyto algoritmy s několika standardně používanými přístupy ke kombinování klasifikátorů. Výsledky těchto testů ukazují, že standardní algoritmy pro agregaci klasifikátorů se dají zavedením spolehlivosti klasifikace vylepšit.
Trvalý link: http://hdl.handle.net/11104/0150939