Nonlinear random forest classification, a copula-based approach

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61988987%3A17610%2F21%3AA2202ABG" target="_blank" >RIV/61988987:17610/21:A2202ABG - isvavai.cz</a>

Výsledek na webu

<a href="https://www.mdpi.com/2076-3417/11/15/7140" target="_blank" >https://www.mdpi.com/2076-3417/11/15/7140</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.3390/app11157140" target="_blank" >10.3390/app11157140</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Nonlinear random forest classification, a copula-based approach

Popis výsledku v původním jazyce

In this work, we use a copula-based approach to select the most important features for a random forest classification. Based on associated copulas between these features, we carry out this feature selection. We then embed the selected features to a random forest algorithm to classify a label-valued outcome. Our algorithm enables us to select the most relevant features when the features are not necessarily connected by a linear function; also, we can stop the classification when we reach the desired level of accuracy. We apply this method on a simulation study as well as a real dataset of COVID-19 and for a diabetes dataset.

Název v anglickém jazyce

Nonlinear random forest classification, a copula-based approach

Popis výsledku anglicky

In this work, we use a copula-based approach to select the most important features for a random forest classification. Based on associated copulas between these features, we carry out this feature selection. We then embed the selected features to a random forest algorithm to classify a label-valued outcome. Our algorithm enables us to select the most relevant features when the features are not necessarily connected by a linear function; also, we can stop the classification when we reach the desired level of accuracy. We apply this method on a simulation study as well as a real dataset of COVID-19 and for a diabetes dataset.

Druh

J_imp - Článek v periodiku v databázi Web of Science

CEP obor

—

OECD FORD obor

10103 - Statistics and probability

Projekt

—

Návaznosti

I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2021

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název periodika

Applied Sciences

ISSN

2076-3417

e-ISSN

—

Svazek periodika

11

Číslo periodika v rámci svazku

15

Stát vydavatele periodika

CH - Švýcarská konfederace

Počet stran výsledku

11

Strana od-do

1-11

Kód UT WoS článku

000681844800001

EID výsledku v databázi Scopus

—