Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Adapting a Fuzzy Random Forest for Ordinal Multi-Class Classification

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21730%2F22%3A00373648" target="_blank" >RIV/68407700:21730/22:00373648 - isvavai.cz</a>

  • Výsledek na webu

    <a href="https://doi.org/10.3233/FAIA220336" target="_blank" >https://doi.org/10.3233/FAIA220336</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.3233/FAIA220336" target="_blank" >10.3233/FAIA220336</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Adapting a Fuzzy Random Forest for Ordinal Multi-Class Classification

  • Popis výsledku v původním jazyce

    Fuzzy Random Forests are well-known Machine Learning ensemble methods. They combine the outputs of multiple Fuzzy Decision Trees to improve the classification performance. Moreover, they can deal with data uncertainty and imprecision thanks to the use of fuzzy logic. Although many classification tasks are binary, in some situations we face the problem of classifying data into a set of ordered categories. This is a particular case of multi-class classification where the order between the classes is relevant, for example in medical diagnosis to detect the severity of a disease. In this paper, we explain how a binary Fuzzy Random Forest may be adapted to deal with ordinal classification. The work is focused on the prediction stage, not on the construction of the fuzzy trees. When a new instance arrives, the rules activation is done with the usual fuzzy operators, but the aggregation of the outputs given by the different rules and trees has been redefined. In particular, we present a procedure for managing the conflicting cases where different classes are predicted with similar support. The support of the classes is calculated using the OWA operator that permits to model the concept of majority agreement.

  • Název v anglickém jazyce

    Adapting a Fuzzy Random Forest for Ordinal Multi-Class Classification

  • Popis výsledku anglicky

    Fuzzy Random Forests are well-known Machine Learning ensemble methods. They combine the outputs of multiple Fuzzy Decision Trees to improve the classification performance. Moreover, they can deal with data uncertainty and imprecision thanks to the use of fuzzy logic. Although many classification tasks are binary, in some situations we face the problem of classifying data into a set of ordered categories. This is a particular case of multi-class classification where the order between the classes is relevant, for example in medical diagnosis to detect the severity of a disease. In this paper, we explain how a binary Fuzzy Random Forest may be adapted to deal with ordinal classification. The work is focused on the prediction stage, not on the construction of the fuzzy trees. When a new instance arrives, the rules activation is done with the usual fuzzy operators, but the aggregation of the outputs given by the different rules and trees has been redefined. In particular, we present a procedure for managing the conflicting cases where different classes are predicted with similar support. The support of the classes is calculated using the OWA operator that permits to model the concept of majority agreement.

Klasifikace

  • Druh

    D - Stať ve sborníku

  • CEP obor

  • OECD FORD obor

    10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Návaznosti výsledku

  • Projekt

  • Návaznosti

    I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Ostatní

  • Rok uplatnění

    2022

  • 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

    Artificial Intelligence Research and Development

  • ISBN

    978-1-64368-327-0

  • ISSN

    0922-6389

  • e-ISSN

    1879-8314

  • Počet stran výsledku

    10

  • Strana od-do

    181-190

  • Název nakladatele

    IOS Press

  • Místo vydání

    Oxford

  • Místo konání akce

    Sitges

  • Datum konání akce

    19. 10. 2022

  • Typ akce podle státní příslušnosti

    WRD - Celosvětová akce

  • Kód UT WoS článku

    001176468400029