• polski
    • English
  • polski 
    • polski
    • English
  • Zaloguj
Zobacz pozycję 
  •   Repozytorium UŁ
  • Czasopisma naukowe | Scientific Journals
  • Acta Universitatis Lodziensis. Folia Oeconomica
  • Acta Universitatis Lodziensis. Folia Oeconomica nr 235/2010
  • Zobacz pozycję
  •   Repozytorium UŁ
  • Czasopisma naukowe | Scientific Journals
  • Acta Universitatis Lodziensis. Folia Oeconomica
  • Acta Universitatis Lodziensis. Folia Oeconomica nr 235/2010
  • Zobacz pozycję
JavaScript is disabled for your browser. Some features of this site may not work without it.

Przeglądaj

Całe RepozytoriumZbiory i kolekcje Daty wydaniaAutorzyTytułyTematyTa kolekcjaDaty wydaniaAutorzyTytułyTematy

Moje konto

ZalogujZarejestruj

Statystyki

Przejrzyj statystyki użycia

Effectiveness of decomposition algorithms for multi-class classification problems

No Thumbnail [100%x80]
Oglądaj/Otwórz
205-213.pdf (105.6KB)
Data
2010
Autor
Wołyński, Waldemar
Metadata
Pokaż pełny rekord
Streszczenie
Problem predykcji etykiety klasy (grupy, populacji) na podstawie obserwacji wektora cech jest nazywany klasyfikacją, analizą dyskryminacyjną lub uczeniem się pod nadzorem. Zbiór etykiet składa się z K > 2 elementów w przypadku zagadnień wieloklasowych oraz z K = 2 elementów w przypadku zagadnień dwuklasowych (binarnych). Ponieważ zagadnienia dwuklaso- we są z reguły o wiele prostsze od zagadnień wieloklasowych (co więcej, niektóre algorytmy klasyfikacyjne dają się zastosować jedynie w przypadku dwuklasowym) wielu autorów proponuje dekompozycje zagadnień wieloklasowych do zagadnień binarnych. Do szczególnie znanych algorytmów tego typu należą: one-per-class (OPC), pairwise coupling (PWC) oraz error-correcting output codes (ECOC). Dualnym do zagadnienia dekompozycji jest zagadnienie łączenia informacji uzyskanych z klasyfikatorów binarnych. Klasyczne algorytmy bazują na minimalizacji odległości Hamminga, technice głosowania lub sumowania prawdopodobieństw a posteriori. W pracy porównano różne algorytmy dekompozycyjne oraz zarówno klasyczne jak i nowe metody łączenia informacji z klasyfikatorów binarnych. Wyniki tych porównań wskazują jednoznacznie, że zwłaszcza w przypadku „niestabilnych” procedur klasyfikacyjnych takich jak drzewa klasyfikacyjne czy sieci neuronowe, poza uproszczeniem samych procedur uzyskujemy również znaczną poprawę jakości klasyfikacji. Stąd metody te zaliczyć można do technik wzmacniania klasyfikatorów.
URI
http://hdl.handle.net/11089/354
Collections
  • Acta Universitatis Lodziensis. Folia Oeconomica nr 235/2010 [37]

Repozytorium Uniwersytetu Łódzkiego

Kontakt z nami | Wyślij uwagi | Deklaracja dostępności
 

 


Repozytorium Uniwersytetu Łódzkiego

Kontakt z nami | Wyślij uwagi | Deklaracja dostępności
 

 

NoThumbnail