文献

J-GLOBAL ID：201702260586164848   整理番号：17A1238652

データマイニング問題のための特徴選択に基づいた学習分類器システムアンサンブルアプローチの分類と評価について【Powered by NICT】

On Taxonomy and Evaluation of Feature Selection-Based Learning Classifier System Ensemble Approaches for Data Mining Problems

著者 (4件)： Debie Essam (Faculty of Computers and Informatics, Zagazig University, Zagazig, Egypt) ,  Shafi Kamran (School of Engineering and Information Technology, UNSW Canberra, Canberra, 2600, ACT, Australia) ,  Merrick Kathryn (School of Engineering and Information Technology, UNSW Canberra, Canberra, 2600, ACT, Australia) ,  Lokan Chris (School of Engineering and Information Technology, UNSW Canberra, Canberra, 2600, ACT, Australia)
資料名： Computational Intelligence  (Computational Intelligence)
巻： 33  号： 3  ページ： 554-578  発行年： 2017年 
JST資料番号： A1312A  ISSN： 0824-7935  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： アンサンブル法は,予測精度,拡張性,および他の手段という点から見た学習タスクにおける有効性を改善するための多重学習機械を組み合わせることを目的とする。これらの方法は,学習分類器システム(LCS)を含む進化的機械学習技術に適用した。この論文では,最初に公平な比較のためのアンサンブルベース法を適切にすることを可能にし,対応する文献におけるギャップを明らかにする概念フレームワークを提案した。フレームワークは一般的であり,三逐次段階データ作成に関するプリゲート段から構成されているメンバー段階はアンサンブルを構築し学習機械の種類を説明するためにアンサンブル出力を結合する法に関するポストゲート段階。LCSベースアンサンブルの分類は,このフレームワークを用いて提示した。をプレゲート段階における特徴選択を用いたLCS集合を比較することに焦点を当てた。これらの方法の性能を体系的に分析することが提案されている評価方法論。特に,ランダム特徴サンプリングとラフ集合特徴選択ベースLCSアンサンブル法を比較した。実験の結果は,ラフ集合ベースのアプローチは多数の無関係な特徴を持つ問題における分類精度の意味で,ランダム部分空間法よりも有意に優れていることを示した。二アプローチの性能は,多数の冗長な特徴の問題における同等であった。Copyright 2017 Wiley Publishing Japan K.K. All Rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： 部分空間法 ,  学習機械 ,  *データマイニング ,  *特徴選択 ,  ラフ集合 ,  *学習 ,  多重化
準シソーラス用語： 分類精度 ,  概念フレームワーク ,  機械学習技術 ,  予測精度 ,  アンサンブル法 , 【Automatic Indexing@JST】

著者キーワード (4件)： アンサンブル学習 ,  特徴選択 ,  ラフ集合理論 ,  学習分類器システム

分類 (2件)： 原価管理一般  (KA05010E) ,  利益管理  (KA05030A)

タイトルに関連する用語 (7件)： データマイニング ,  問題 ,  特徴選択 ,  学習 ,  分類器 ,  分類 ,  評価