文献

J-GLOBAL ID：201902237471682634   整理番号：19A0188088

正対負アンサンブルモデルの使用による少数クラスのための分類性能の改善【JST・京大機械翻訳】

Improving Classification Performance for Minority Classes through the use of Positive-Versus-Negative Ensemble Models

著者 (1件)： Lutu Patricia E.N. (Department of Computer Science, University of Pretoria, Pretoria, South Africa)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2018  号： ICONIC  ページ： 1-6  発行年： 2018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： 分類はデータマイニングのための一般的に使用されるモデリング方法である。分類モデルは,クラスと呼ばれるカテゴリー値を予測するために使用される予測モデルである。アンサンブル分類モデリングは,いくつかのベースモデルの作成とベースモデル予測のための組合せアルゴリズムを含む。分類モデリングプロセスは,訓練データと呼ばれる一連のインスタンスを使用する。各インスタンスは予測子変数の値とクラスと呼ばれるカテゴリーラベルから成る。クラスは,それが他のクラスと比較して非常に少ない数の訓練インスタンスを持つならば,少数クラスと呼ばれる。これは,大部分のクラスに対する分類性能と比較して,低レベルの正しい分類をもたらす。多クラス予測タスクに対する分類モデリングに適用できるアンサンブル分類法として,文献において正対負(pVn)分類が報告されている。本論文の目的は,pVn分類モデリングを用いて,少数クラスに対する分類性能を改善するための複製法の性能に対する実験結果について報告することである。実験結果は,少数クラスの分類精度がpVn分類モデルの使用を通して改善できることを実証した。Copyright 2019 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 複製 ,  予測モデル ,  データマイニング ,  予測 ,  *モデリング
準シソーラス用語： 分類精度 ,  予測子 ,  訓練データ ,  組合せアルゴリズム ,  モデル予測 ,  アンサンブル分類 ,  分類モデル ,  アンサンブル・シミュレーション , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (3件)： アンサンブルモデル ,  クラス ,  分類