文献

J-GLOBAL ID：201702287780508938   整理番号：17A0448262

階層的分類と回帰によるソフト推定【Powered by NICT】

Soft estimation by hierarchical classification and regression

著者 (4件)： Ke Shih-Wen (Department of Information and Computer Engineering, Chung Yuan Christian University, Taiwan) ,  Lin Wei-Chao (Department of Computer Science and Information Engineering, Asia University, Taiwan) ,  Tsai Chih-Fong (Department of Information Management, National Central University, Taiwan) ,  Hu Ya-Han (Department of Information Management, National Chung Cheng University, Taiwan)
資料名： Neurocomputing  (Neurocomputing)
巻： 234  ページ： 27-37  発行年： 2017年 
JST資料番号： W0360A  ISSN： 0925-2312  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： 分類と数値推定は,データマイニングの二種の最も一般的なタイプである。分類の目標は,出力値の離散型を予測することである推定は連続型出力値を見出すことを目的としている。予測データマイニングは一般的に予測モデルを構築するためにただ一つの特定統計的あるいは機械学習技術を用いて達成した。関連研究は,この種の単一平坦モデルの予測性能は,いくつかの階層構造の利用により改善できることを示した。,通常複数推定モデルの組合せ,階層的推定法は,いくつかの特定の領域問題を解くための提案されている。しかし,文献では,推定のための一般的な階層的アプローチと分類および推定法を組み合わせた階層的ないハイブリッドベース解決策ではない。,種々の推定問題のために,階層的分類と回帰(H CR),適切な一般的な階層構造を導入した。簡単に言えば,H CRの第1レベルはKクラスへの分類,Kサブセットにより与えられた訓練セットを前処理である。本研究でこのタスクを実行するために使われる三つの方法:ハード分類(HC)ファジィc-平均(FCM)と遺伝的アルゴリズム(GA)。,それに関連したクラスラベルを含む訓練データは,分類のためのサポートベクトルマシン(SVM)分類器を訓練するために使用した。,H CRの第二レベルの場合,κ回帰(あるいは推定)モデルは,最終予測のためのそれらの対応するサブセットに基づいて訓練した。8種類のUCIデータセットに基づく実験はH CR構造を有する開発された最も階層予測モデルは平均絶対百分率誤差(MAPE),平均平方誤差(RMSE)速度の観点から三つの周知の単一平坦予測モデル,すなわち,線形回帰(LR),多層パーセプトロン(MLP)ニューラルネットワーク,およびサポートベクトル回帰(SVR)を上回ることを示した。添加では,トレーニングセットを分類4サブセットにGAに基づくデータ前処理アプローチを用いた最適しきい値(すなわち,K=4)であり,4区分SVM+MLPは三基の基線階層的回帰モデルより優れていることをが分かった。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： 遺伝的アルゴリズム ,  部分集合 ,  データマイニング ,  階層構造 ,  多層パーセプトロン ,  前処理 ,  *予測モデル ,  回帰モデル ,  サポートベクトルマシン
準シソーラス用語： サポートベクトル回帰 ,  線形回帰 ,  訓練データ ,  推定法 ,  推定モデル ,  *階層的分類 , 【Automatic Indexing@JST】

著者キーワード (5件)： 予測 ,  データマイニング ,  分類 ,  回帰 ,  階層的推定

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 (3件)： 階層的分類 ,  ソフト ,  推定