Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Nonlinear random forest classification, a copula-based approach

Identifikátory výsledku

  • 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>

Alternativní jazyky

  • 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.

Klasifikace

  • Druh

    J<sub>imp</sub> - Článek v periodiku v databázi Web of Science

  • CEP obor

  • OECD FORD obor

    10103 - Statistics and probability

Návaznosti výsledku

  • Projekt

  • Návaznosti

    I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Ostatní

  • Rok uplatnění

    2021

  • Kód důvěrnosti údajů

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

Údaje specifické pro druh výsledku

  • 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