抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
建築物分類モデルは,展開前に多くの設計決定を必要とする本質的に実用的な運動である。この意思決定プロセスにいくつかの指針を提供することを目指した。特に,実値属性を有する分類問題を与えて,分類器の分類器またはファミリーが1つの使用をすべきかを考察した。強いコンテンダーは,ツリーベースの均一アンサンブル,サポートベクトルマシンまたは深層ニューラルネットワークである。モデルの3つの家族すべては最先端であると主張でき,1つが他者にとって好ましいときは明確ではない。2つの明確なアーカイブからの200以上のデータセットによる著者らの広範な実験は,単一ファミリーを選択し,そのモデルを最適化する上で計算資源を費やすよりむしろ,各ファミリーとアンサンブルから分類器のより単純なバージョンを構築することが,かなり良好であることを示した。列車データ上に形成された誤差推定に基づくアンサンブルである標準分類アルゴリズム(HESCA)の不均一アンサンブルは,その個々の成分よりも非常に良く(誤差,バランス誤差,負の対数尤度,ROC曲線下の面積),訓練データで最良である成分,および1089の異なるパラメータ構成で調整したサポートベクターマシンを採ることを示した。深層ニューラルネットワーク,サポートベクトルマシン,および2つの決定木林を含むHESCA+は,その成分よりも著しく優れており,最良の構成要素とHESCAを採取する。列車集合サイズが比較的小さく,この問題が複数のクラスを持つとき,HESCAとHESCA+が特定の値であることを,さらに解析した。HESCAは,最先端の分類器と同様に,平均で,平均よりも優れていて,HESCA+は,平均よりも著しく優れており,将来の研究のための強いベンチマークを表す。【JST・京大機械翻訳】