文献

J-GLOBAL ID：201702279850471246   整理番号：17A0473808

次元縮小アルゴリズムの評価のための特徴部分集合の新しい有効性インデクス【Powered by NICT】

A new validity index of feature subset for evaluating the dimensionality reduction algorithms

著者 (7件)： Liu Chuan (School of Computer Science and Engineering, University of Electronic Science and Technology of China, Chengdu 611731, China) ,  Wang Wenyong (School of Computer Science and Engineering, University of Electronic Science and Technology of China, Chengdu 611731, China) ,  Konan Martin (School of Computer Science and Engineering, University of Electronic Science and Technology of China, Chengdu 611731, China) ,  Wang Siyang (Mathematics Department, University of California San Diego, La Jolla 92093, USA) ,  Huang Lisheng (School of Computer Science and Engineering, University of Electronic Science and Technology of China, Chengdu 611731, China) ,  Tang Yong (School of Computer Science and Engineering, University of Electronic Science and Technology of China, Chengdu 611731, China) ,  Zhang Xiang (School of Information and Software Engineering, University of Electronic Science and Technology of China, Chengdu 611731, China)
資料名： Knowledge-Based Systems  (Knowledge-Based Systems)
巻： 121  ページ： 83-98  発行年： 2017年 
JST資料番号： T0426A  ISSN： 0950-7051  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 次元縮小の重要な側面は,選択された(または生成した)特徴サブセットの品質を適切に評価することである。機械学習における特徴部分集合評価は,与えられた特徴部分集合を分離トレーニングセット,用いて分類モデルのパラメータを推定することであると,モデルの予測性能を推定するために使用したテスト集合に言及した。,多重分裂(すなわち,交差検証,CV)の結果を平均推定量の変動を減少させるために一般的に用いられる。しかし実際には,CV方式は非常に計算的に高価である。本論文では,一般的に特徴部分集合と次元縮小アルゴリズムの評価のためのLW指数と呼ばれる新しい統計指数法を提案した。提案した方法は,「古典的統計」特徴サブセットの品質の経験的推定値を計算するために特徴部分集合を使用する手法の一種である。十四ベンチマークコレクション上で実施された機械学習アプローチを用いた多数の性能比較は,提案したLW指標である五倍CV方式によって訓練されたSVMと重心ベース分類器(CBC)の外部指数(すなわち,MacroF_1MicroF_1)と高度に相関することを示した。さらに,実験結果は,LW指数は次元縮小アルゴリズムを評価するための伝統的なCV方式と同じ性能を有しており,それは従来の方法より効率的であることを示した。,本論文の一つの寄与は,教師なし学習コンテキストで典型的に用いられる内部指標に基づいた伝統的なCV法より数値計算的に安価な代替法を提示することである。もう一つ別の成果は,クラスタ化で広く使用されている他の類似指数よりもよく振舞うと従来の方法によって得られた結果と高い相関を示す新しい内部指標を提案することである。Copyright 2017 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： 教師なし学習 ,  機械学習 ,  *アルゴリズム ,  数値計算 ,  重心 ,  *部分集合 ,  品質 ,  クラスタ化 ,  推定量 ,  *次元縮小
準シソーラス用語： 低価格 ,  性能比較 ,  予測性能 ,  分類モデル , 【Automatic Indexing@JST】

著者キーワード (4件)： 機械学習 ,  妥当性指標 ,  交差検証 ,  次元縮小アルゴリズム

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (7件)： 次元縮小 ,  アルゴリズム ,  評価 ,  特徴部分 ,  集合 ,  有効性 ,  インデクス