文献

J-GLOBAL ID：202002224249750812   整理番号：20A2084943

ルール上での自動学習を用いた2レベル連想分類器【JST・京大機械翻訳】

Bi-Level Associative Classifier Using Automatic Learning on Rules

著者 (5件)： Sood Nitakshi (University of Alberta, Edmonton, Canada) ,  Sood Nitakshi (Alberta Machine Intelligence Institute, Edmonton, Canada) ,  Bindra Leepakshi (University of Alberta, Edmonton, Canada) ,  Zaiane Osmar (University of Alberta, Edmonton, Canada) ,  Zaiane Osmar (Alberta Machine Intelligence Institute, Edmonton, Canada)
資料名： Lecture Notes in Computer Science  (Lecture Notes in Computer Science)
巻： 12391  ページ： 201-216  発行年： 2020年 
JST資料番号： H0078D  ISSN： 0302-9743  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 連想分類器の電力は,データからパターンを決定し,予測を最も示す特徴に基づいて分類を行う。それらは競合分類システムとして出現したが,連想分類器は,データセットで変化する事前知識を必要とする厄介な閾値のような限界に悩まされている。さらに,推論中のランキング発見ルールは,ルールの和,平均,最小,または最大のような関数を用いた任意の発見的方法に依存する。そこで,本研究では,ルールを発見するための自動学習を実装し,ルールを選択するための2段階分類モデルを提案した。学習の最初の段階において,統計的に有意な分類相関ルールを,相関ルールマイニングを通して導き出した。さらに,学習の第二段階において,推論中の分類のためのルールの重みを自動的に学習する機械学習ベースのアルゴリズムを採用した。Fisherの厳密な検定から得られたp値を用いて,規則の統計的有意性を決定した。ニューラルネットワーク,SVM,およびRIPPERのようなルールベースの分類器のような機械学習ベースの分類器は,学習の第二段階で自動的に規則を分類することを助け,代わりに,特定の発見的方法の使用を強制する。第1段階から得られた規則は,学習の第二段階で使われる意味ある特徴を形成する。著者らのアプローチ,BiLevCSS(統計的に有意な規則を用いたBi-Level分類)は,分類精度に関して種々の最先端の分類器より優れている。Copyright Springer Nature Switzerland AG 2020 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  *学習 ,  電力 ,  ニューラルネットワーク ,  発見的方法 ,  等級づけ ,  機械学習 ,  ルールベース ,  相関ルール
準シソーラス用語： 事前知識 ,  分類会計機 ,  分類精度 ,  統計的有意性 ,  *連想分類 ,  分類モデル , 【Automatic Indexing@JST】

著者キーワード (3件)： 連想分類 ,  分類規則 ,  統計的意義

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (4件)： ルール ,  学習 ,  連想 ,  分類器