On performance of Meta-learning Templates on Different Datasets
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21240%2F12%3A00197266" target="_blank" >RIV/68407700:21240/12:00197266 - isvavai.cz</a>
Výsledek na webu
<a href="http://dx.doi.org/10.1109/IJCNN.2012.6252379" target="_blank" >http://dx.doi.org/10.1109/IJCNN.2012.6252379</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1109/IJCNN.2012.6252379" target="_blank" >10.1109/IJCNN.2012.6252379</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
On performance of Meta-learning Templates on Different Datasets
Popis výsledku v původním jazyce
Meta-learning templates are data-tailored algo- rithms that produce supervised models. When a template is evolved on a particular dataset, it is supposed to generate good models not only on this data set but also on similar data. In this paper, we will investigate one possible way of measuring the similarity of datasets and whether it can be used to estimate if meta-learning templates produce good models. We performed experiments on several well known data sets from the UCI machine learning repository and analyzed both the similarity of datasets and templates in the space of performance meta- features (landmarking). Our results show that the most universal algorithms (in terms of average performance) for supervised learning are the complex hierarchicaltemplates evolved by our SpecGen approach.
Název v anglickém jazyce
On performance of Meta-learning Templates on Different Datasets
Popis výsledku anglicky
Meta-learning templates are data-tailored algo- rithms that produce supervised models. When a template is evolved on a particular dataset, it is supposed to generate good models not only on this data set but also on similar data. In this paper, we will investigate one possible way of measuring the similarity of datasets and whether it can be used to estimate if meta-learning templates produce good models. We performed experiments on several well known data sets from the UCI machine learning repository and analyzed both the similarity of datasets and templates in the space of performance meta- features (landmarking). Our results show that the most universal algorithms (in terms of average performance) for supervised learning are the complex hierarchicaltemplates evolved by our SpecGen approach.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
IN - Informatika
OECD FORD obor
—
Návaznosti výsledku
Projekt
—
Návaznosti
S - Specificky vyzkum na vysokych skolach<br>I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace
Ostatní
Rok uplatnění
2012
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
The 2012 International Joint Conference on Neural Networks (IJCNN), Brisbane, Australia, June 10-15, 2012
ISBN
978-1-4673-1490-9
ISSN
1098-7576
e-ISSN
—
Počet stran výsledku
7
Strana od-do
1-7
Název nakladatele
IEEE
Místo vydání
New York
Místo konání akce
Brisbane
Datum konání akce
10. 6. 2012
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
000309341300017