Hybridní metaheuristika pro evoluční vytváření náhodného lesu

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F07%3A03132666" target="_blank" >RIV/68407700:21230/07:03132666 - isvavai.cz</a>

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Hybridized Swarm Metaheuristics for Evolutionary Random Forest Generation

Popis výsledku v původním jazyce

In many industry and research areas, data mining is a crucial process. This paper presents an evolving structure of classifiers (random forest) where the trees are generated by hybrid method combining Ant Colony metaheuristics and Evolutionary computingtechnique. The method benefits from the stochastic process and population approach, which allows the algorithm to evolve more efficiently than each method alone. As the method is similar to random forest generation, it can be also used for feature selection. The paper also discusses the parameter estimation for the method. Tests on real data (UCI and real biomedical data) have been performed and evaluated. The average accuracy of the method over MIT-BIH database with normalized data and equalized classes is sensitivity 93.22 % and specificity 87.13 %.

Název v anglickém jazyce

Hybridized Swarm Metaheuristics for Evolutionary Random Forest Generation

Popis výsledku anglicky

In many industry and research areas, data mining is a crucial process. This paper presents an evolving structure of classifiers (random forest) where the trees are generated by hybrid method combining Ant Colony metaheuristics and Evolutionary computingtechnique. The method benefits from the stochastic process and population approach, which allows the algorithm to evolve more efficiently than each method alone. As the method is similar to random forest generation, it can be also used for feature selection. The paper also discusses the parameter estimation for the method. Tests on real data (UCI and real biomedical data) have been performed and evaluated. The average accuracy of the method over MIT-BIH database with normalized data and equalized classes is sensitivity 93.22 % and specificity 87.13 %.

Druh

D - Stať ve sborníku

CEP obor

JC - Počítačový hardware a software

OECD FORD obor

—

Projekt

—

Návaznosti

Z - Vyzkumny zamer (s odkazem do CEZ)

Rok uplatnění

2007

Kód důvěrnosti údajů

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

Název statě ve sborníku

Seventh International Conference on Hybrid Intelligent Systems

ISBN

978-0-7695-2946-2

ISSN

—

e-ISSN

—

Počet stran výsledku

6

Strana od-do

150-155

Název nakladatele

IEEE

Místo vydání

Piscataway

Místo konání akce

Kaiserslautern

Datum konání akce

17. 9. 2007

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—