BazEkon - Biblioteka Główna Uniwersytetu Ekonomicznego w Krakowie

BazEkon home page

Meny główne

Autor
Misztal Małgorzata (Uniwersytet Łódzki)
Tytuł
Zagregowane i hybrydowe modele dyskryminacyjne : próba porównania wybranych algorytmów
Aggregated and Hybrid Discriminant Models : an Attempt to Compare Selected Algorithms
Źródło
Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu. Taksonomia (16), 2009, nr 47, s. 132-140, rys., tab., bibliogr. 14 poz.
Research of Wrocław University of Economics
Tytuł własny numeru
Klasyfikacja i analiza danych - teoria i zastosowania
Słowa kluczowe
Modele dyskryminacyjne, Algorytmy, Drzewa klasyfikacyjne
Discriminatory models, Algorithms, Classification trees
Uwagi
summ.
Abstrakt
Celem pracy jest próba porównania i oceny przydatności w zastosowaniach praktycznych zagregowanych modeli drzew klasyfikacyjnych: Bagging [Breiman 1996], Boosting [Freund, Schapire 1997], Random Forests [Breiman 2001], oraz wybranych modeli hybrydowych: CRUISE [Kim, Loh 2003], LOTUS [Chan, Loh 2004], PLUS [Lim 2000], k-NN Tree [Buttrey, Karo 2002]. (fragment tekstu)

To improve the stability and prediction accuracy of classification trees we can use ensembles of classifiers or hybrid models, combining recursive partitioning with some others algorithms (i.e. linear discriminant functions, logistic regression, distance-based algorithms, etc.). The aim of the paper is to compare the performances of classifier combination methods (Bagging [Breiman 1996], Boosting [Freund, Shapire 1997], Random forests [Breiman 2001]) and hybrid models (CRUISE [Kim, Loh 2003], LOTUS [Chan, Loh 2004], PLUS [Lim 2000], k-NN Tree [Buttrey, Karo 2002]). A medical diagnosis example is used to demonstrate the advantages and disadvantages of the algorithms examined. (original abstract)
Dostępne w
Biblioteka Główna Uniwersytetu Ekonomicznego w Krakowie
Biblioteka Główna Uniwersytetu Ekonomicznego w Katowicach
Biblioteka Główna Uniwersytetu Ekonomicznego w Poznaniu
Biblioteka Główna Uniwersytetu Ekonomicznego we Wrocławiu
Pełny tekst
Pokaż
Bibliografia
Pokaż
  1. Blake C., Keogh E., Merz C.J. (1988), UCI repository of machine learning datasets, Department of Information and Computer Science, University of California, Irvine.
  2. Breiman L. (1996), Bagging predictors, "Machine Learning", 24, s. 123-140.
  3. Breiman L. (2001), Random forests, "Machine Learning", 45, s. 5-32.
  4. Buttrey S.E., Karo C. (2002), Using k-nearest-neighbor classification in the leaves of a tree, "Computational Statistics & Data Analysis", 40, s. 27-37.
  5. Chan K.-Y., Loh W.-Y. (2004), LOTUS: an algorithm for building accurate and comprehensible logistic regression trees, "Journal of Computational and Graphical Statistics", 13 (4), s. 826-852.
  6. Freund Y., Schapire R.E. (1997), A decision-theoretic generalization of on-line learning and an application to boosting, "Journal of Computer and System Sciences", 55, s. 119-139.
  7. Gatnar E. (2008), Podejście wielomodelowe w zagadnieniach dyskryminacji i regresji, PWN, Warszawa.
  8. Kim H., Loh W.-Y. (2003), Classification trees with bivariate linear discriminant node models, "Journal of Computational and Graphical Statistics", 12, s. 512-530.
  9. Lim T.-S. (2000), Polytomous logistic regression trees, PhD Thesis, Department of Statistics, University of Wisconsin, Madison.
  10. Metody statystycznej analizy wielowymiarowej w badaniach marketingowych (2004), red. E. Gatnar, M. Walesiak, AE, Wrocław.
  11. Misztal M. (2008), Zagregowane modele dyskryminacyjne i regresyjne w prognozowaniu czasu pobytu na OIOM pacjentów z chorobą wieńcową, [w:] Taksonomia 15, Klasyfikacja i analiza danych - teoria i zastosowania, Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu nr 7 (1207), UE, Wrocław, s. 316-322.
  12. Misztal M., Banach M. (2008), On distance-based algorithms in medical applications, Acta Uniwersitatis Lodziensis, Folia Oeconomica, Wydawnictwo Uniwersytetu Łódzkiego, Łódź, w druku.
  13. Stefanowski J. (2001), Algorytmy indukcji reguł decyzyjnych w odkrywaniu wiedzy, Wydawnictwo Politechniki Poznańskiej, Rozprawy nr 361, Poznań.
  14. Wolpert D.H., Macready W.G. (1997), No free lunch theorems for optimization, IEEE Transactions on Evolutionary Computation, 1(1), s. 62-68.
Cytowane przez
Pokaż
ISSN
1899-3192
1505-9332
Język
pol
Udostępnij na Facebooku Udostępnij na Twitterze Udostępnij na Google+ Udostępnij na Pinterest Udostępnij na LinkedIn Wyślij znajomemu