Dynamic Classifier Systems and their Applications to Random Forest Ensembles

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985807%3A_____%2F09%3A00326646" target="_blank" >RIV/67985807:_____/09:00326646 - isvavai.cz</a>

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Dynamic Classifier Systems and their Applications to Random Forest Ensembles

Popis výsledku v původním jazyce

Classifier combining is a popular method for improving quality of classification -- instead of using one classifier, several classifiers are organized into a classifier system and their results are aggregated into a final prediction. However, most of thecommonly used aggregation methods are static, i.e., they do not adapt to the currently classified pattern. In this paper, we provide a general framework for dynamic classifier systems, which use dynamic confidence measures to adapt to a particular pattern. Our experiments with random forests on 5 artificial and 11 real-world benchmark datasets show that dynamic classifier systems can significantly outperform both confidence-free and static classifier systems.

Název v anglickém jazyce

Dynamic Classifier Systems and their Applications to Random Forest Ensembles

Popis výsledku anglicky

Classifier combining is a popular method for improving quality of classification -- instead of using one classifier, several classifiers are organized into a classifier system and their results are aggregated into a final prediction. However, most of thecommonly used aggregation methods are static, i.e., they do not adapt to the currently classified pattern. In this paper, we provide a general framework for dynamic classifier systems, which use dynamic confidence measures to adapt to a particular pattern. Our experiments with random forests on 5 artificial and 11 real-world benchmark datasets show that dynamic classifier systems can significantly outperform both confidence-free and static classifier systems.

Druh

D - Stať ve sborníku

CEP obor

IN - Informatika

OECD FORD obor

—

Projekt

Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)<br>Z - Vyzkumny zamer (s odkazem do CEZ)

Rok uplatnění

2009

Kód důvěrnosti údajů

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

Název statě ve sborníku

Adaptive and Natural Computing Algorithms

ISBN

978-3-642-04920-0

ISSN

—

e-ISSN

—

Počet stran výsledku

11

Strana od-do

—

Název nakladatele

Springer

Místo vydání

Berlin

Místo konání akce

Kuopio

Datum konání akce

23. 4. 2009

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—