Evolutionary Optimization of Meta Data Metric for Method Recommendation
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216208%3A11320%2F13%3A10286095" target="_blank" >RIV/00216208:11320/13:10286095 - isvavai.cz</a>
Nalezeny alternativní kódy
RIV/67985807:_____/13:00425750
Výsledek na webu
<a href="http://dx.doi.org/10.1109/ICCIS.2013.6751590" target="_blank" >http://dx.doi.org/10.1109/ICCIS.2013.6751590</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1109/ICCIS.2013.6751590" target="_blank" >10.1109/ICCIS.2013.6751590</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Evolutionary Optimization of Meta Data Metric for Method Recommendation
Popis výsledku v původním jazyce
Metalearning - a method for recommendation the most suitable data-mining algorithm to an unknown dataset - is an important problem that needs to be solved in order to design a completely autonomous data-mining solver. This paper deals with this particular problem by proposing a machinelearning method which recommends the most suitable algorithm to an unknown dataset based on the results of previous data-mining experiments. The fundamental idea behind this is that the algorithms will perform similarly onsimilar datasets. The choice of datasets features - called meta data - is presented and the metric comparing datasets is optimized by means of evolutionary computation.
Název v anglickém jazyce
Evolutionary Optimization of Meta Data Metric for Method Recommendation
Popis výsledku anglicky
Metalearning - a method for recommendation the most suitable data-mining algorithm to an unknown dataset - is an important problem that needs to be solved in order to design a completely autonomous data-mining solver. This paper deals with this particular problem by proposing a machinelearning method which recommends the most suitable algorithm to an unknown dataset based on the results of previous data-mining experiments. The fundamental idea behind this is that the algorithms will perform similarly onsimilar datasets. The choice of datasets features - called meta data - is presented and the metric comparing datasets is optimized by means of evolutionary computation.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
IN - Informatika
OECD FORD obor
—
Návaznosti výsledku
Projekt
<a href="/cs/project/GAP202%2F11%2F1368" target="_blank" >GAP202/11/1368: Učení funkcionálních vztahů z vysoce dimenzionálních dat</a><br>
Návaznosti
S - Specificky vyzkum na vysokych skolach
Ostatní
Rok uplatnění
2013
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
Proceedings of the 2013 IEEE Conference on Cybernetics and Intelligent Systems, (CIS)
ISBN
978-1-4799-1072-4
ISSN
2326-8123
e-ISSN
—
Počet stran výsledku
5
Strana od-do
123-127
Název nakladatele
IEEE Computer Society
Místo vydání
Manilla
Místo konání akce
Manila; Philippines
Datum konání akce
12. 11. 2013
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—