کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6854967 1437601 2018 45 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Region compatibility based stability assessment for decision trees
ترجمه فارسی عنوان
ارزیابی پایداری بر پایه منطقه برای درخت های تصمیم گیری
کلمات کلیدی
فراگیری ماشین، درخت تصمیم گیری، اندازه گیری ثبات، سازگاری منطقه، نظریه شواهد،
ترجمه چکیده
الگوریتم یادگیری درخت تصمیم گیری نامناسب است، زیرا تغییرات کوچک در داده های آموزشی می تواند در درخت تصمیم گیری بسیار متفاوت باشد. یک مسئله مهم این است که چطور مقدار ثبات درخت تصمیم گیری را کم کنیم؟ دو نوع ثبات در ادبیات تعریف شده است: پایداری ساختاری و معنایی. با این حال، اندازه گیری های پایدار ساختاری موجود در هنگام درخت درخت تصمیم گیری کاملا بی معنی، بی معنی است و ثبات معنایی فقط بر دقت پیش بینی بدون در نظر گرفتن اطلاعات ساختاری تمرکز دارد. این مقاله یک سازوکار پایداری ساختاری مبتنی بر سازگاری منطقه را برای درخت های تصمیم گیری پیشنهاد می دهد که توزیع ساختاری برگ را از نظر تخصیص احتمالی اساسی در نظریه شواهد در نظر می گیرد. برای کسب اطلاعات بیشتر، ما برای اولین بار از تکالیف احتمالی پایه برای تعیین میزان پایداری درخت تصمیم گیری استفاده می کنیم. ما همگرایی را برای سازگاری منطقه نشان می دهیم و نشان می دهد که درختان تصمیمی متفاوت متفاوت از دیدگاه سازگاری منطقه، دارای برخی از شباهت های ذاتی هستند. ما همچنین معنی سازگاری منطقه را برای اندازه گیری ثبات درخت تصمیم گیری را روشن می کنیم و یک روش برای انتخاب یک الگوریتم یادگیری نسبتا پایدار برای یک مجموعه داده ارائه می دهیم. نتایج تجربی معتبر است که سازگاری با منطقه برای تعیین پایداری الگوریتم های یادگیری درخت تصمیم گیری موثر است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
ارزیابی پایداری بر پایه منطقه برای درخت های تصمیم گیری
چکیده انگلیسی
Decision tree learning algorithms are known to be unstable, because small changes in the training data can result in highly different decision trees. An important issue is how to quantify decision tree stability. Two types of stability are defined in the literature: structural and semantic stability. However, existing structural stability measures are meaningless when applied to apparently different decision trees, and semantic stability only focuses on prediction accuracy without considering structural information. This paper proposes a region compatibility based structural stability measure for decision trees that considers the structural distribution of leaves from the view of basic probability assignments in evidence theory. To the best of our knowledge, we are the first to use basic probability assignments to quantify decision tree stability. We prove convergence for region compatibility, and show that apparently different decision trees have some inherent similarity from the view of region compatibility. We also clarify the meaning of region compatibility for measuring decision tree stability, and derive a method to select a relatively stable learning algorithm for a given dataset. Experimental results validate that region compatibility is effective to quantify the stability of decision tree learning algorithms.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Expert Systems with Applications - Volume 105, 1 September 2018, Pages 112-128
نویسندگان
, , , ,