کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
6939479 | 1449971 | 2018 | 36 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Building forests of local trees
ترجمه فارسی عنوان
ساخت جنگل های درختان محلی
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
گروه سازنده جنگل های تصادفی، ترکیب کارشناسان،
ترجمه چکیده
روش های گروهی مؤثرتر از طبقه بندی های یکپارچه، به ویژه هنگامی که تنوع در میان اجزاء آنها وجود دارد. چگونگی اعمال تنوع در مجموعه های طبقه بندی توجه زیادی را از محققان ماشینی به دست آورده است و انواع تکنیک ها و الگوریتم های مختلف را به ارمغان آورده است. در این مقاله، یک الگوریتم جدید برای طبقه بندی های گروه پیشنهاد شده است، که در آن اجزای سازنده با تمرکز بر مناطق مختلف فضای نمونه تمرین می کنند. به این ترتیب، تنوع به طور عمده نتیجه قصد محدود کردن محدوده طبقه بندی های پایه است. الگوریتم پیشنهاد شده در این مقاله ریشه های متعددی را با چند پارادایم گروهی، به ویژه با جنگل های تصادفی، به اشتراک می گذارد، زیرا جنگل های درخت تصمیم گیری را نیز تولید می کند. به عنوان درخت تصمیم گیری با تمرکز بر زیر مجموعه های خاصی از فضای نمونه آموزش داده می شود، این گروه در واقع یک جنگل محلی است؟ درختان. نتایج تجربی مقایسه ای نشان می دهد که به طور متوسط این گروه ها بهتر از سایر انواع مرتبط طبقه بندی های سازمانی، از جمله جنگل های تصادفی، عمل می کنند.
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی کامپیوتر
چشم انداز کامپیوتر و تشخیص الگو
چکیده انگلیسی
Ensemble methods have shown to be more effective than monolithic classifiers, in particular when diversity holds among their components. How to enforce diversity in classifier ensembles has received much attention from machine learning researchers, yielding a variety of different techniques and algorithms. In this paper, a novel algorithm for ensemble classifiers is proposed, in which ensemble components are trained with focus on different regions of the sample space. In so doing, diversity is mainly a consequence of the intention to limit the scope of base classifiers. The algorithm proposed in this paper shares roots with several ensemble paradigms, in particular with random forests, as it generates forests of decision trees as well. As decision trees are trained with focus on specific subsets of the sample space, the resulting ensemble is in fact a forest of “local” trees. Comparative experimental results highlight that, on average, these ensembles perform better than other relevant kinds of ensemble classifiers, including random forests.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Pattern Recognition - Volume 76, April 2018, Pages 380-390
Journal: Pattern Recognition - Volume 76, April 2018, Pages 380-390
نویسندگان
Giuliano Armano, Emanuele Tamponi,