Automatizovaný vývoj klasifikačních stromů s využitím hybridní metaheuristiky

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

—

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.

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

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

—