izpis_h1_title_alt

Ansambli verjetnostnih klasifikacijskih pravil
BAJUK, MAJ (Avtor), Robnik Šikonja, Marko (Mentor) Več o mentorju... Povezava se odpre v novem oknu

.pdfPDF - Predstavitvena datoteka, prenos (5,13 MB)

Izvleček
Ansambli združujejo več šibkih napovednih modelov in iz posameznih napovedi gradijo točnejše modele. Pridobitki niso le v večji klasifikacijski točnosti, temveč zmanjšujemo tudi pristranskost in varianco. Ideja diplomske naloge je v ansamble združiti verjetnostna odločitvena pravila. Ta se od navadnih odločitvenih pravil razlikujejo v izhodu, saj nam namesto odločitve o posameznem razredu vrnejo verjetnost zanj. To izkoristimo za gradnjo modela naključnih gaussovskih množic pravil oz. RGRS, ki navdih jemlje iz metode naključnih gozdov. Model za gradnjo vsakega pravila naključno izbere primere in poskuša iz porazdelitve vrednosti atributov sestaviti konjunkt osnovnih gaussovskih pravil. Opišemo tudi alternativno idejo, kjer v ansamblu AdaBoost uporabimo algoritem gradnje pravil CN2SD. Oba pristopa testiramo s prečnim preverjanjem in primerjamo z obstoječimi pristopi. Medtem ko ansambel CN2SD AdaBoost le izboljša točnosti uporabljenega modela, se izkaže, da algoritem RGRS vrača primerljive rezultate kot pogosto uporabljen model C4.5rules, a zaostaja za naključnimi gozdovi in klasifikacijo z mehkimi pravili z algoritmom FURIA.

Jezik:Slovenski jezik
Ključne besede:ansambelsko učenje, klasifikacija, verjetnost, gaussovska pravila
Vrsta gradiva:Diplomsko delo/naloga (mb11)
Organizacija:FRI - Fakulteta za računalništvo in informatiko
Leto izida:2019
Število ogledov:10
Število prenosov:7
Metapodatki:XML RDF-CHPDL DC-XML DC-RDF
 
Skupna ocena:(0 glasov)
Vaša ocena:Ocenjevanje je dovoljeno samo prijavljenim uporabnikom.
:
Objavi na: Bookmark and Share

Sekundarni jezik

Jezik:Angleški jezik
Naslov:Ensembles of probabilistic classification rules
Izvleček:
Ensemble methods combine a number of weak classifiers and combine their predictions for more accurate models. The gain is not only an increase of classification accuracy but also decrease in bias and variance. The idea of our work is to build probabilistic classification rule ensembles. Probabilistic rules differ from common classification rules by outputting a class probability estimation instead of a crisp class decision. We build an ensemble model named Random Gaussian Rule Set or RGRS, inspired by the Random Forest method. Our model uses a random sample of examples and tries to create a conjunction of elementary Gaussian rules based on their attribute value distribution. We also describe an alternate idea where we form an AdaBoost ensemble with the CN2SD rule-building algorithm. We test both methods with cross validation and compare them to existing approaches. While the AdaBoost ensemble only improves the given algorithm, the RGRS results are comparable to classification models such as C4.5rules, but trail behind Random Forest and fuzzy rule classifier FURIA.

Ključne besede:ensemble learning, classification, probability, Gaussian rules

Podobna dela

Podobna dela v RUL:
Podobna dela v drugih slovenskih zbirkah:

Komentarji

Dodaj komentar

Za komentiranje se morate prijaviti.

Komentarji (0)
0 - 0 / 0
 
Ni komentarjev!

Nazaj