文献

J-GLOBAL ID：202002264860124049   整理番号：20A1632615

半教師付き自己訓練特徴重み付きクラスタリング決定木とランダムフォレスト【JST・京大機械翻訳】

Semi-Supervised Self-Training Feature Weighted Clustering Decision Tree and Random Forest

著者 (4件)： Liu Zhenyu (College of Computer Science and Engineering, Northeastern University, Shenyang, China) ,  Wen Tao (College of Computer Science and Engineering, Northeastern University, Shenyang, China) ,  Sun Wei (Department of Computer Science and Technology, Dalian Neusoft University of Information, Dalian, China) ,  Zhang Qilong (College of Computer Science and Engineering, Northeastern University, Shenyang, China)
資料名： IEEE Access  (IEEE Access)
巻： 8  ページ： 128337-128348  発行年： 2020年 
JST資料番号： W2422A  ISSN： 2169-3536  資料種別： 逐次刊行物 (A)
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： 自己訓練アルゴリズムは,半教師つき学習のための反復的方法であり,それはベース学習者の周りをラップする。ラベルをラベルなしデータに割り当てるためにそれ自身の予測を用いた。自己訓練アルゴリズムのために,ベース学習者の分類能力と予測信頼度の推定は非常に重要である。ベース学習者としての古典的ディシジョンツリーは,それ自身の予測を正しく推定できないので,自己訓練アルゴリズムでは有効でない。本論文では,決定木のノード分割の新しい方法を提案した。この方法は,ノードを分割するために複数の数値とカテゴリ特徴を組み合わせることができる。この方法によって構築したディシジョンツリーとランダムフォレストは,それぞれFWCDTとFWCRFと呼ばれる。FWCDTとFWCRFは,訓練インスタンスがより少ないとき,単変量分割に基づく古典的決定木と森林より良い分類能力を持ち,したがって,それらは自己訓練におけるベース分類装置としてより好適である。さらに,提案したノード分割法に基づき,FWCDTとFWCRFに対する適切な予測信頼度測定もそれぞれ探索した。最後に,UCIデータセットに実装された実験の結果は,自己訓練特徴加重クラスタ化決定木(ST-FWCDT)とランダムフォレスト(ST-FWCRF)が,ラベルなしデータを効果的に利用することができ,そして,最終的得られた分類器にはより良い一般化能力があることを示した。Copyright 2020 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： 信頼度 ,  分類装置 ,  *クラスタ化 ,  ラップ ,  *ディシジョンツリー ,  分割法 ,  学習アルゴリズム
準シソーラス用語： 学習者 ,  半教師つき学習 ,  *ランダムフォレスト ,  自主訓練 ,  ラベルなしデータ , 【Automatic Indexing@JST】

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

タイトルに関連する用語 (5件)： 教師 ,  自己訓練 ,  クラスタリング ,  決定木 ,  ランダムフォレスト