Evolutionary Design of the Classifier Ensemble
This paper presents two novel approaches to evolutionary design of the classifier ensemble. The first one presents the task of one-objective optimization of feature set partitioning together with feature weighting for the construction of the inividual classifiers. The second approach deals with mult...
Збережено в:
| Дата: | 2011 |
|---|---|
| Автори: | , , |
| Формат: | Стаття |
| Мова: | English |
| Опубліковано: |
Інститут проблем штучного інтелекту МОН України та НАН України
2011
|
| Назва видання: | Штучний інтелект |
| Теми: | |
| Онлайн доступ: | http://dspace.nbuv.gov.ua/handle/123456789/60065 |
| Теги: |
Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
|
| Назва журналу: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Цитувати: | Evolutionary Design of the Classifier Ensemble / N. Novoselova, I. Tom, S. Ablameyko // Штучний інтелект. — 2011. — № 3. — С. 429-438. — Бібліогр.: 13 назв. — англ. |
Репозитарії
Digital Library of Periodicals of National Academy of Sciences of Ukraine| id |
irk-123456789-60065 |
|---|---|
| record_format |
dspace |
| spelling |
irk-123456789-600652014-04-12T03:02:06Z Evolutionary Design of the Classifier Ensemble Novoselova, N. Tom, I. Ablameyko, S. Обучающие и экспертные системы This paper presents two novel approaches to evolutionary design of the classifier ensemble. The first one presents the task of one-objective optimization of feature set partitioning together with feature weighting for the construction of the inividual classifiers. The second approach deals with multi-objective optimization of classifier ensemble design. The proposed approaches have been tested on two data sets from the machine learning repository and one real data set on transient ischemic attack. The experiments show the advantages of the feature weighting in terms of classification accuracy when dealing with multivariate data sets and the possibility in one run of multi-objective genetic algorithm to get the non-dominated ensembles of different sizes and thereby skip the tedious process of iterative search for the best ensemble of fixed size. У статті запропоновано два нові підходи до еволюційної побудови ансамблю класифікаторів. Перший підхід є завданням одинкритерійної оптимізації розбиття безлічі ознак на окремі підмножини, які використовуються для побудови класифікаторів ансамблю. Другий підхід здійснює багатокритеріальну оптимізацію структури ансамблю класифікаторів. В статье предложены два новых подхода к эволюционному построению ансамбля классификаторов. Первый подход представляет собой задачу однокритериальной оптимизации разбиения множества признаков на отдельные подмножества, которые используются для построения классификаторов ансамбля. Второй подход осуществляет многокритериальную оптимизацию структуры ансамбля классификаторов. 2011 Article Evolutionary Design of the Classifier Ensemble / N. Novoselova, I. Tom, S. Ablameyko // Штучний інтелект. — 2011. — № 3. — С. 429-438. — Бібліогр.: 13 назв. — англ. 1561-5359 http://dspace.nbuv.gov.ua/handle/123456789/60065 004.8 en Штучний інтелект Інститут проблем штучного інтелекту МОН України та НАН України |
| institution |
Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| collection |
DSpace DC |
| language |
English |
| topic |
Обучающие и экспертные системы Обучающие и экспертные системы |
| spellingShingle |
Обучающие и экспертные системы Обучающие и экспертные системы Novoselova, N. Tom, I. Ablameyko, S. Evolutionary Design of the Classifier Ensemble Штучний інтелект |
| description |
This paper presents two novel approaches to evolutionary design of the classifier ensemble. The first one presents the task of one-objective optimization of feature set partitioning together with feature weighting for the construction of the inividual classifiers. The second approach deals with multi-objective optimization of classifier ensemble design. The proposed approaches have been tested on two data sets from the machine
learning repository and one real data set on transient ischemic attack. The experiments show the advantages of the feature weighting in terms of classification accuracy when dealing with multivariate data sets and the possibility in one run of multi-objective genetic algorithm to get the non-dominated ensembles of different sizes and thereby skip the tedious process of iterative search for the best ensemble of fixed size. |
| format |
Article |
| author |
Novoselova, N. Tom, I. Ablameyko, S. |
| author_facet |
Novoselova, N. Tom, I. Ablameyko, S. |
| author_sort |
Novoselova, N. |
| title |
Evolutionary Design of the Classifier Ensemble |
| title_short |
Evolutionary Design of the Classifier Ensemble |
| title_full |
Evolutionary Design of the Classifier Ensemble |
| title_fullStr |
Evolutionary Design of the Classifier Ensemble |
| title_full_unstemmed |
Evolutionary Design of the Classifier Ensemble |
| title_sort |
evolutionary design of the classifier ensemble |
| publisher |
Інститут проблем штучного інтелекту МОН України та НАН України |
| publishDate |
2011 |
| topic_facet |
Обучающие и экспертные системы |
| url |
http://dspace.nbuv.gov.ua/handle/123456789/60065 |
| citation_txt |
Evolutionary Design of the Classifier Ensemble / N. Novoselova, I. Tom, S. Ablameyko // Штучний інтелект. — 2011. — № 3. — С. 429-438. — Бібліогр.: 13 назв. — англ. |
| series |
Штучний інтелект |
| work_keys_str_mv |
AT novoselovan evolutionarydesignoftheclassifierensemble AT tomi evolutionarydesignoftheclassifierensemble AT ablameykos evolutionarydesignoftheclassifierensemble |
| first_indexed |
2023-10-18T18:36:03Z |
| last_indexed |
2023-10-18T18:36:03Z |
| _version_ |
1796144651918376960 |