BazEkon - Biblioteka Główna Uniwersytetu Ekonomicznego w Krakowie

BazEkon home page

Meny główne

Autor
Rozmus Dorota (Akademia Ekonomiczna im. Karola Adamieckiego w Katowicach)
Tytuł
Badanie relacji między zróżnicowaniem pojedynczych modeli a błędem modelu zagregowanego
Analysis of Relationship Between Single Models Diversity End Error of Aggregated Model
Źródło
Prace Naukowe Akademii Ekonomicznej we Wrocławiu. Taksonomia (14), 2007, nr 1169, s. 195-201, rys., tab., bibliogr. 10 poz.
Tytuł własny numeru
Klasyfikacja i analiza danych - teoria i zastosowania
Słowa kluczowe
Klasyfikacja, Badania empiryczne
Classification, Empirical researches
Uwagi
summ.
Abstrakt
Badania empiryczne zaprezentowane w tym artykule miały na celu sprawdzenie, czy dekompozycje te pozwolą na sformułowanie relacji zachodzących między stopniem zróżnicowania pojedynczych modeli a błędem modelu zagregowanego. Ponadto celem tego opracowania było także sprawdzenie, która z tych dwóch dekompozycji jest bardziej użyteczna w badaniu wspomnianej relacji. Ujawnienie się jasnej relacji między stopniem zróżnicowania a błędem modelu zagregowanego jest ważne, bo coraz częściej pojawiają się algorytmy, które taki czynnik, jak zróżnicowanie modeli, w sposób jawny biorą pod uwagę w procesie konstrukcji modelu zagregowanego. (fragment tekstu)

Ensembles become more and more popular in classification and regression problems. Very often they have better empirical and theoretical properties than single models. One factor that is needed in order to get high performance of aggregated model is recognized as models diversity. The paper discusses the problem of ensemble diversity in regression using the idea of ensemble error decomposition introduced by Ueda, Nakano (1995) and Krogh, Vedelsby (1996). We show also results of experiments concerning the relationship between ensemble error and ensemble diversity, measured by means of the two presented decompositions. (original abstract)
Dostępne w
Biblioteka Główna Uniwersytetu Ekonomicznego w Krakowie
Biblioteka Główna Uniwersytetu Ekonomicznego w Poznaniu
Bibliografia
Pokaż
  1. Blake C., Keogh E., Merz С.J. (1988), UCI Repository of Machine Learning Databases, Department of Information and Computer Science, University of California, Irvine.
  2. Breiman L. (1996), Bagging Predictors, "Machine Learning" 26 (2).
  3. Breiman L. (2001), Random Forests, "Machine Learning" 45.
  4. Carney J., Cunningham P. (1999), Tuning Diversityin Bagged Neural Network Ensembles,, "Technical Report TCD-CS-1999-44", Trinity College Dublin.
  5. Но Т.K. (1998) The Random Subspace Method for Constructing Decision Forests, "IEEE Transactionson Pattern Analysis and Machine Intelligence" 20, 8.
  6. Krogh A., Vedelsby J. (1995), Neural Network Ensembles, Cross Validation, and Active Learning, [w:] G. Tesauro, D. Touretzky, T. Leen (red.), Advances in Neural Information Processing Systems 7, Mass.: MIT Press, Cambridge.
  7. Opitz D. (1999), Feature Selection for Ensambles, Proceedings of 16th National Conference on Artificial Intelligence (AAAI).
  8. Ruta D., Gabryś В. (2001) Analysis of the Correlation between Majority Voting Error and the Diversity Measures in Multiple Classifier Systems, Proceedings of the SOCO/ISFI'2001 Conference, Paisley, UK.
  9. Ruta D., Gabryś В. (2002), Set Analysis of Coincident Errors and its Applications for Combining Classifiers, "Pattern Recognition and String Matching, Combinatorial Optimisation" 13, Kluwer Academic Publishers.
  10. Teda N., Nakano R. (1996), Generalization Error of Ensemble Estimators, Proceedings of International Conference on Neural Networks.
Cytowane przez
Pokaż
ISSN
0324-8445
1505-9332
Język
pol
Udostępnij na Facebooku Udostępnij na Twitterze Udostępnij na Google+ Udostępnij na Pinterest Udostępnij na LinkedIn Wyślij znajomemu