Počet záznamů: 1

Dynamic Classifier Systems and their Applications to Random Forest Ensembles

  1. 1.
    0326646 - UIVT-O 2010 RIV DE eng C - Konferenční příspěvek (zahraniční konf.)
    Štefka, David - Holeňa, Martin
    Dynamic Classifier Systems and their Applications to Random Forest Ensembles.
    [Dynamické systémy klasifikátorů a jejich využití pro klasifikaci pomocí náhodných lesů.]
    Adaptive and Natural Computing Algorithms. Berlin: Springer, 2009 - (Kolehmainen, M.; Toivanen, P.; Beliczynski, B.), s. 458-468. Lecture Notes in Computer Science, 5495. ISBN 978-3-642-04920-0.
    [ICANNGA'2009. International conference /9./. Kuopio (FI), 23.04.2009-25.04.2009]
    Grant CEP: GA AV ČR 1ET100300517; GA ČR GA201/08/0802
    Výzkumný záměr: CEZ:AV0Z10300504
    Klíčová slova: classifier combining * dynamic classifier aggregation * random forests * classification
    Kód oboru RIV: IN - Informatika

    Classifier combining is a popular method for improving quality of classification -- instead of using one classifier, several classifiers are organized into a classifier system and their results are aggregated into a final prediction. However, most of the commonly used aggregation methods are static, i.e., they do not adapt to the currently classified pattern. In this paper, we provide a general framework for dynamic classifier systems, which use dynamic confidence measures to adapt to a particular pattern. Our experiments with random forests on 5 artificial and 11 real-world benchmark datasets show that dynamic classifier systems can significantly outperform both confidence-free and static classifier systems.

    Spojování klasifikátorů je populární metoda pro zvýšení kvality klasifikace - místo jednoho klasifikátoru je vytvořen systém klasifikátorů a výstupy těchto klasifikátorů jsou agregovány do finální predikce. Běžné metody pro agregaci jsou však statické, tj. nepřizpůsobují se aktuálnímu vzoru. V tomto příspěvku zavedeme obecný rámec pro dynamické systémy klasifikátorů, které pro přizpůsobení aktuálnímu vzoru používají dynamické míry konfidence. Experimenty s náhodnými lesy na 5 umělých a 11 reálných datových množinách ukazují, že dynamické systémy mohou dosáhnout významně lepších výsledků než statické a bezkonfidenční systémy.
    Trvalý link: http://hdl.handle.net/11104/0173684