CHAPTER 2. COMBINATIONS OF LEARNING

CHAPTER 2. COMBINATIONS OF LEARNING MACHINES 24
For example, consider the situation if we had an ensemble of four neural networks on
a two-class problem. Each has a single sigmoidal output unit, if the output is above 0.5,
we say it is class A, and class B otherwise. For a new pattern the networks give outputs
0.2, 0.6, 0.7 and 0.99. The min rule would predict class B, whereas the max and med rules
would predict class A. Roli and Fumera [113] presents empirical evidence supporting the
arguments by Tumer and Ghosh [136] stating that order statistics are most beneficial as
combination rules when the classifiers are highly imbalanced in accuracy.
An alternative to the static combination methods discussed so far is to choose a single
predictor from the ensemble, dependent on what input pattern is received. The DCS-LA
(Dynamic Classifier Selection with Local Accuracy) algorithm by Woods et al [150] uses
estimates of local accuracy in the input space to select a single classifier to respond to a
new pattern; their experiments plus extensive testing by Kuncheva [71] establish DCS-LA as
a very robust technique for combining estimators that have different individual accuracies.
A novel approach was adopted by Langdon [81, 82, 83] using a Genetic Programming [69]
system, to find a highly non-linear method of combining the outputs of the ensemble. This
combination rule was applied to a medical dataset and Receiver-Operator Characteristics
(ROC) [158] were calculated. The system was found to improve performance in ROC
space beyond a previously suggested theoretical upper bound [121]. A similarly inspired
evolutionary approach was taken by Zhou et al [159], using a Genetic Algorithm to select a
good set of networks to include in the ensemble.

ผลลัพธ์ (ไทย) 1:

บทที่ 2 ชุดเรียนรู้เครื่องจักร 24พิจารณาสถานการณ์เช่น หากเรามีวงดนตรีเป็นของเครือข่ายประสาทสี่ปัญหาสองชั้น มีหน่วยออกเดี่ยว sigmoidal ถ้าผลลัพธ์เหนือ 0.5เราว่า เป็น class A, class B รูปแบบใหม่สำหรับ เครือข่ายให้แสดงผล0.2, 0.6, 0.7 และ 0.99 กฎ min จะทำนายคลาส B ในขณะที่กฎสูงสุด และเม็ดจะทำนายคลาส A. Roli และ Fumera [113] นำเสนอหลักฐานประจักษ์สนับสนุนการอาร์กิวเมนต์ Tumer และภโฆษ [136] ระบุสถิติใบสั่งที่มีประโยชน์มากที่สุดเป็นชุดกฎเมื่อคำนามภาษาที่ imbalanced สูงในความถูกต้องทางเลือกวิธีรวมคงที่กล่าวถึงมากคือการ เลือกเดียวผู้ทายผลจากวงดนตรี ขึ้นอยู่กับรูปแบบใดเข้ารับ DCS-ลาอัลกอริทึม (Classifier เลือกแบบไดนามิก มีความแม่นยำภายใน) โดยใช้ไม้ et al [150]การประเมินความถูกต้องเฉพาะในพื้นที่ป้อนข้อมูลเพื่อเลือก classifier เดียวเพื่อตอบสนองต่อการรูปแบบใหม่ การทดลองและทดสอบอย่างละเอียด โดย Kuncheva [71] สร้าง DCS-ลาเป็นเทคนิคที่แข็งแกร่งมากสำหรับรวม estimators ที่มีแต่ละ accuracies แตกต่างกันวิธีนวนิยายถูกนำมาใช้ โดยมาก [81, 82, 83] โดยใช้การเขียนโปรแกรมทางพันธุ [69]ระบบ หาวิธีสูงไม่ใช่เชิงเส้นรวมแสดงผลแบบวงดนตรี นี้ใช้กับชุดข้อมูลทางการแพทย์และรับดำเนินลักษณะชุดกฎ(ROC) [158] มีคำนวณ ระบบพบการปรับปรุงประสิทธิภาพของ ROCพื้นที่นอกเหนือจากการแนะนำก่อนหน้านี้ทฤษฎีขอบเขตบน [121] แรงบันดาลใจในทำนองเดียวกันวิธีวิวัฒนาการถูกนำโดยโจว et al [159], การใช้ขั้นตอนวิธีพันธุกรรมต้องการชุดที่ดีของเครือข่ายการรวมในแบบวงดนตรี

ผลลัพธ์ (ไทย) 2:

บทที่ 2 การรวมกันของการเรียนรู้ 24 เครื่องตัวอย่างเช่นพิจารณาสถานการณ์ถ้าเรามีวงดนตรีสี่เครือข่ายประสาทเกี่ยวกับปัญหาที่เกิดขึ้นสองระดับ แต่ละคนมีหน่วยผลผลิต sigmoidal เดียวหากการส่งออกสูงกว่า 0.5, เราบอกว่ามันเป็นคลาส A และคลาส B เป็นอย่างอื่น สำหรับรูปแบบใหม่เครือข่ายให้เอาท์พุท0.2, 0.6, 0.7 และ 0.99 กฎนาทีจะทำนายคลาส B ขณะที่สูงสุดและกฎระเบียบ med จะคาดการณ์ระดับเอ Roli และ Fumera [113] นำเสนอหลักฐานเชิงประจักษ์ที่สนับสนุนข้อโต้แย้งโดยTumer และกอช [136] ระบุว่าสถิติการสั่งซื้อจะเป็นประโยชน์มากที่สุดเช่นกฎระเบียบรวมกันเมื่อลักษณนามจะขาดดุลสูงในความถูกต้อง. ทางเลือกที่จะใช้วิธีการรวมกันคงมีการหารือเพื่อให้ห่างไกลคือการเลือกเดียวทำนายจากวงดนตรีขึ้นอยู่กับสิ่งที่รูปแบบการป้อนข้อมูลที่ได้รับ DCS-LA (Dynamic เลือกลักษณนามที่มีความแม่นยำท้องถิ่น) อัลกอริทึมโดยวูดส์และอัล [150] ใช้ประมาณการของความถูกต้องในท้องถิ่นเข้าพื้นที่เพื่อเลือกลักษณนามเดียวที่จะตอบสนองต่อรูปแบบใหม่ การทดลองของพวกเขารวมทั้งการทดสอบอย่างกว้างขวางโดย Kuncheva [71] สร้าง DCS-LA เป็นเทคนิคที่มีประสิทธิภาพมากสำหรับการรวมตัวประมาณที่มีความถูกต้องของแต่ละบุคคลที่แตกต่างกัน. วิธีนวนิยายเป็นลูกบุญธรรมโดยแลงดอน [81, 82, 83] โดยใช้โปรแกรมทางพันธุกรรม [69] ระบบ เพื่อหาวิธีการที่สูงที่ไม่ใช่เชิงเส้นของการรวมเอาท์พุทของวงดนตรีที่ นี้การปกครองรวมกันถูกนำไปใช้กับชุดข้อมูลทางการแพทย์และลักษณะรับ-Operator (ROC) [158] ถูกคำนวณ ระบบได้รับการค้นพบในการปรับปรุงประสิทธิภาพการทำงานในร็อคพื้นที่เกินแนะนำก่อนหน้านี้ทางทฤษฎีบนปก [121] แรงบันดาลใจในทำนองเดียวกันวิธีการวิวัฒนาการถูกยึดครองโดยโจวเอตอัล [159] โดยใช้อัลกอริทึมที่จะเลือกชุดที่ดีของเครือข่ายจะรวมอยู่ในชุด

ผลลัพธ์ (ไทย) 3:

บทที่ 2 ชุดการเรียนรู้เครื่อง 24
ตัวอย่างเช่น พิจารณาสถานการณ์ ถ้าเรามีทั้งหมดสี่เครือข่ายประสาทบน
ปัญหาสองระดับ แต่ละหน่วยผลผลิต sigmoidal เดียว ถ้าผลผลิตสูงกว่า 0.5
เราพูดมันคือ Class A , Class B และอย่างอื่น สำหรับรูปแบบใหม่ในเครือข่ายให้ผลผลิต
0.2 , 0.6 , 0.7 และ 0.99 . กฎมินจะทำนาย ชั้นบีส่วนแมกซ์ และด้วยกฎ
จะทำนายคลาส A โรลี fumera [ 113 ] และนำเสนอหลักฐานเชิงประจักษ์สนับสนุน
ข้อคิดโดย tumer ghosh [ 136 ] และระบุว่าสถิติเพื่อประโยชน์มากที่สุดเท่าที่
กฎเมื่อรวมคำสูง imbalanced ในความถูกต้อง .
ทางเลือกที่จะสถิตรวมกันวิธีการพูดคุยกันอยู่ คือ เลือกตัวเดียว
จากวงดนตรีขึ้นอยู่กับว่าใส่แบบที่ได้รับ การ dcs-la
( แบบไดนามิกตัวเลือกที่มีความถูกต้องท้องถิ่น ) ขั้นตอนวิธีโดยป่า et al [ 150 ] ใช้
การประเมินความถูกต้องในข้อมูลท้องถิ่นพื้นที่ที่จะเลือกแบบเดียวที่จะตอบสนองต่อ
รูปแบบใหม่ ; ของการทดลองและทดสอบอย่างละเอียดโดย kuncheva [ 71 ] สร้าง dcs-la เป็น
เทคนิคที่แข็งแกร่งมากสำหรับการรวมประมาณว่ามีความถูกต้องแต่ละที่แตกต่างกัน .
วิธีการใหม่ได้รับการอุปการะโดยแลงดอน [ 81 , 82 , 83 ] ใช้โปรแกรมทางพันธุกรรม [ 69 ]
ระบบ เพื่อหาวิธีการที่ไม่เป็นเชิงเส้นอย่างมากของการรวมผลของการทั้งหมด .
รวมกฎนี้จะใช้ชุดข้อมูลทางการแพทย์ และรับบริการลักษณะ
( ROC ) [ 158 ] ได้ระบบพบเพื่อปรับปรุงประสิทธิภาพใน Roc
พื้นที่เกินก่อนหน้านี้ชี้ให้เห็นทฤษฎีขอบเขตบน [ 121 ] เป็นเหมือนกับแรงบันดาลใจ
วิวัฒนาการวิธีการถ่ายโดยโจว et al [ 159 ] , โดยการใช้ขั้นตอนวิธีเชิงพันธุกรรมในการเลือกชุดดี
เครือข่ายรวมในชุด .