Automatizovaný vývoj klasifikačních stromů s využitím hybridní metaheuristiky
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F07%3A03133990" target="_blank" >RIV/68407700:21230/07:03133990 - isvavai.cz</a>
Výsledek na webu
—
DOI - Digital Object Identifier
—
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Automated Classification Tree Evolution through Hybrid Metaheuristics
Popis výsledku v původním jazyce
In present, data processing is an important process in many organizations. Classification trees are used to assign a classification to unknown data and can be also used for data partitioning (data clustering). The classification tree must be able to copewith outliers and have acceptably simple structure. An important advantage is the white-box structure. This paper presents a novel method called ACO-DTree for classification tree generation and their evolution inspired by natural processes. It uses a hybrid metaheuristics combining evolutionary strategies and ant colony optimization. Proposed method benefits from the stochastic process and population approach, which allows the algorithm to evolve more efficiently than the methods alone. The paper alsoconsults the parameter estimation for the method. Tests on real data (UCI and MIT-BIH database) have been performed and evaluated.
Název v anglickém jazyce
Automated Classification Tree Evolution through Hybrid Metaheuristics
Popis výsledku anglicky
In present, data processing is an important process in many organizations. Classification trees are used to assign a classification to unknown data and can be also used for data partitioning (data clustering). The classification tree must be able to copewith outliers and have acceptably simple structure. An important advantage is the white-box structure. This paper presents a novel method called ACO-DTree for classification tree generation and their evolution inspired by natural processes. It uses a hybrid metaheuristics combining evolutionary strategies and ant colony optimization. Proposed method benefits from the stochastic process and population approach, which allows the algorithm to evolve more efficiently than the methods alone. The paper alsoconsults the parameter estimation for the method. Tests on real data (UCI and MIT-BIH database) have been performed and evaluated.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
JC - Počítačový hardware a software
OECD FORD obor
—
Návaznosti výsledku
Projekt
—
Návaznosti
Z - Vyzkumny zamer (s odkazem do CEZ)
Ostatní
Rok uplatnění
2007
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
Innovations in Hybrid Intelligent Systems
ISBN
978-3-540-74971-4
ISSN
—
e-ISSN
—
Počet stran výsledku
8
Strana od-do
191-198
Název nakladatele
Springer
Místo vydání
Heidelberg
Místo konání akce
Salamanca
Datum konání akce
12. 11. 2007
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—