文献

J-GLOBAL ID：201802236982640367   整理番号：18A0445211

ビッグデータ分類のためのインスタンス選択法の改良【Powered by NICT】

Improving instance selection methods for big data classification

著者 (4件)： Malhat Mohamed (Computer Science dept., Faculty of Computers and Information, Menofia University, Egypt) ,  Menshawy Mohamed El (Computer Science dept., Faculty of Computers and Information, Menofia University, Egypt) ,  Mousa Hamdy (Computer Science dept., Faculty of Computers and Information, Menofia University, Egypt) ,  Sisi Ashraf El (Computer Science dept., Faculty of Computers and Information, Menofia University, Egypt)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： ICENCO  ページ： 213-218  発行年： 2017年 
JST資料番号： W2441A  資料種別： 会議録 (C)
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： 多くのアプリケーションドメインにおけるデータの爆発は,ビッグデータと呼ばれる新しい項をもたらす。ビッグデータ量は急速に超えるが,寄与したデータマイニングアルゴリズムの容量と処理能力は効果的ではない。インスタンス選択法は,データマイニングアルゴリズムを適用する前に必須段階になっている。インスタンス選択法は,冗長,誤った,無関係なインスタンスを除去することによりダウンセットスケール訓練。最近,インスタンス選択手法は訓練データを分割する互いに素なサブセットに個々のサブセットにインスタンス選択法を適用することにより,大きなデータ集合で動作するように改良した。しかし,これらの改良法は還元速度と分類精度の程度の可変性能を示した。本研究では,還元速度と分類精度のバランス運転と統一フレームワークを提案した。還元速度と分類精度に関する性能に及ぼす分離プロセスの影響を解析するために訓練集合を分割クラス平衡サブセットに始まる。は各サブセットに及ぼす二種の異なるインスタンス選択法を適用した。二標準データセットを用いてフレームワークを実験的に実装し,試験した。ベンチマークとしてランダム分裂プロセスを用いて,結果は,クラスバランスのとれた分裂プロセスは分類精度基準に関して有利であることを証明した。結果も二インスタンス選択法の組み合わせは,性能変動性を著しく低下させることを示した。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： ベンチマーク ,  *部分集合 ,  高速度 ,  冗長性 ,  スループット
準シソーラス用語： 分類精度 ,  互いに素 ,  訓練データ ,  *ビッグデータ , 【Automatic Indexing@JST】

分類 (2件)： 人工知能  (JE08000Z) ,  データベースシステム  (JD03030U)

タイトルに関連する用語 (2件)： データ分類 ,  インスタンス選択