Experiments on data classification using relative Entropy
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61989100%3A27240%2F16%3A86099080" target="_blank" >RIV/61989100:27240/16:86099080 - isvavai.cz</a>
Výsledek na webu
<a href="http://dx.doi.org/10.1007/978-3-319-26227-7_22" target="_blank" >http://dx.doi.org/10.1007/978-3-319-26227-7_22</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1007/978-3-319-26227-7_22" target="_blank" >10.1007/978-3-319-26227-7_22</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Experiments on data classification using relative Entropy
Popis výsledku v původním jazyce
Data classification is one of the basic tasks in data mining. In this paper, we propose a new classifier based on relative entropy, where data to particular class assignment is made by the majority good guess criteria. The presented approach is intended to be used when relations between datasets and assignment classes are rather complex, nonlinear, or with logical inconsistencies; because such datasets can be too complex to be classified by ordinary methods of decision trees or by the tools of logical analysis. The relative entropy evaluation of associative rules can be simple to interpret and offers better comprehensibility in comparison to decision trees and artificial neural networks. (C) Springer International Publishing Switzerland 2016.
Název v anglickém jazyce
Experiments on data classification using relative Entropy
Popis výsledku anglicky
Data classification is one of the basic tasks in data mining. In this paper, we propose a new classifier based on relative entropy, where data to particular class assignment is made by the majority good guess criteria. The presented approach is intended to be used when relations between datasets and assignment classes are rather complex, nonlinear, or with logical inconsistencies; because such datasets can be too complex to be classified by ordinary methods of decision trees or by the tools of logical analysis. The relative entropy evaluation of associative rules can be simple to interpret and offers better comprehensibility in comparison to decision trees and artificial neural networks. (C) Springer International Publishing Switzerland 2016.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
IN - Informatika
OECD FORD obor
—
Návaznosti výsledku
Projekt
—
Návaznosti
S - Specificky vyzkum na vysokych skolach
Ostatní
Rok uplatnění
2016
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
Advances in Intelligent Systems and Computing. Volume 403
ISBN
978-3-319-26225-3
ISSN
2194-5357
e-ISSN
—
Počet stran výsledku
10
Strana od-do
233-242
Název nakladatele
Springer Verlag
Místo vydání
London
Místo konání akce
Wrocław
Datum konání akce
25. 5. 2015
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—