文献

J-GLOBAL ID：201702263314897871   整理番号：17A1481353

時系列予測のための最小二乗推定による斜めランダムフォレストアンサンブル【Powered by NICT】

Oblique random forest ensemble via Least Square Estimation for time series forecasting

著者 (4件)： Qiu Xueheng (School of Electrical and Electronic Engineering, Nanyang Technological University, 50 Nanyang Avenue, 639798, Singapore) ,  Zhang Le (School of Electrical and Electronic Engineering, Nanyang Technological University, 50 Nanyang Avenue, 639798, Singapore) ,  Nagaratnam Suganthan Ponnuthurai (School of Electrical and Electronic Engineering, Nanyang Technological University, 50 Nanyang Avenue, 639798, Singapore) ,  Amaratunga Gehan A.J. (Centre for Advanced Photonics and Electronics, Electrical Engineering Division, Engineering Department, University of Cambridge, Cambridge CB3 0FA, UK)
資料名： Information Sciences  (Information Sciences)
巻： 420  ページ： 249-262  発行年： 2017年 
JST資料番号： D0636A  ISSN： 0020-0255  CODEN： ISIJBC  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： 機械学習における最近の研究は,ベストである可能性が最も高い分類器は,ランダムフォレストであることを示した。アンサンブル分類器として,ランダムフォレストは,複数のディシジョンツリーは全分散の有意減少に組み合わせたものである。従来のランダムフォレストはGini不純物,情報利得などの不純物基準に従って非葉ノード内データインスタンスを分割するために,1つの「最適な」特徴を選択する直交決定木を採用した。しかし,直交決定木は,データサンプルの幾何学的構造を捉えるために失敗する可能性がある。これに触発されて,時系列予測の文脈における斜めランダムフォレストを研究する初めての試みである。決定木の各ノードでは,標準的なランダムフォレストによる単一「最適な」特徴に基づく直交分類アルゴリズムの代わりに,最小二乗分類器は,分配を行った。提案した方法は,効率と精度の両方に関して有利である。はオーストラリアのエネルギー市場オペレータから八一般的な時系列データセットと五電力負荷需要時系列データセット上で提案手法を実験的に評価およびいくつかの他のベンチマーク手法と比較した。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： 機械学習 ,  ニューラルネットワーク ,  ディシジョンツリー ,  ベンチマーク ,  不純物 ,  *最小二乗法 ,  *最小二乗推定 ,  *予測 ,  オーストラリア連邦 ,  直交性
準シソーラス用語： 時系列データ ,  分類アルゴリズム ,  アンサンブル分類器 ,  *ランダムフォレスト ,  *時系列予測 , 【Automatic Indexing@JST】

著者キーワード (5件)： アンサンブル学習 ,  時系列は予測 ,  斜めランダムフォレスト ,  ニューラルネットワーク ,  サポートベクトル回帰

分類 (2件)： 人工知能  (JE08000Z) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (4件)： 時系列予測 ,  最小二乗推定 ,  ランダムフォレスト ,  アンサンブル