Classification problems involving m

Classification problems involving multiple classes can be addressed in different ways. One of the most popular techniques consists in dividing the original data set into two-class subsets, learning a different binary model for each new subset. These techniques are known as binarization strategies.
In this work, we are interested in ensemble methods by binarization techniques; in particular, we focus on the well-known one-vs-one and one-vs-all decomposition strategies, paying special attention to the final step of the ensembles, the combination of the outputs of the binary classifiers. Our aim is to develop an empirical analysis of different aggregations to combine these outputs. To do so, we develop a double study: first, we use different base classifiers in order to observe the suitability and potential of each combination within each classifier. Then, we compare the performance of these ensemble techniques with the classifiers’ themselves. Hence, we also analyse the improvement with respect to the classifiers that handle multiple classes inherently.
We carry out the experimental study with several well-known algorithms of the literature such as Support Vector Machines, Decision Trees, Instance Based Learning or Rule Based Systems. We will show, supported by several statistical analyses, the goodness of the binarization techniques with respect to the base classifiers and finally we will point out the most robust techniques within this framework.
& 2011 Elsevier Ltd. All rights reserved.

ผลลัพธ์ (ไทย) 1:

สามารถส่งปัญหาการจัดประเภทที่เกี่ยวข้องกับชั้นเรียนหลายวิธี เทคนิคแห่งหนึ่งประกอบด้วยในการแบ่งชุดข้อมูลออกเป็นสองชั้นย่อย การเรียนรู้แบบฐานแตกต่างกันสำหรับแต่ละย่อยใหม่ เทคนิคเหล่านี้จะเรียกว่ากลยุทธ์การ binarizationในงานนี้ เรามีความสนใจในวิธีวงดนตรี ด้วยเทคนิคการ binarization โดยเฉพาะ เราเน้นรู้จัก-vs-หนึ่งและแยกส่วนประกอบทั้งหมดเทียบกับหนึ่งกลยุทธ์ ให้ความสนใจพิเศษกับขั้นตอนสุดท้ายของวง ชุดแสดงผลของคำนามภาษาไบนารี เป้าหมายของเราคือการ พัฒนาการวิเคราะห์ผลรวมต่าง ๆ เหล่านี้แสดงผลรวม ทำได้ เราพัฒนาศึกษาคู่: ครั้งแรก ใช้คำนามภาษาพื้นฐานที่แตกต่างกันเพื่อพิจารณาถึงความเหมาะสมและศักยภาพของแต่ละชุดในแต่ละ classifier จากนั้น เราเปรียบเทียบประสิทธิภาพของเทคนิคเหล่านี้เพลิดเพลินกับของคำนามภาษาตัวเอง ดังนั้น เรายังวิเคราะห์ปรับปรุงเกี่ยวกับคำนามภาษาที่เรียนหลายความเราดำเนินการศึกษาทดลองมีหลายอัลกอริทึมรู้จักวรรณกรรมเช่น เครื่องสนับสนุนเวกเตอร์ ต้นไม้ตัดสินใจ เรียน รู้ใช้อินสแตนซ์ หรือ ระบบตามกฎ เราจะ แสดง โดยวิเคราะห์สถิติหลาย ความกตัญญูของเทคนิค binarization เกี่ยวกับคำนามภาษาพื้นฐาน และสุดท้าย เราจะชี้เทคนิคแข็งแกร่งมากที่สุดภายในกรอบนี้และ 2011 Elsevier จำกัด สงวนลิขสิทธิ์ทั้งหมด

ผลลัพธ์ (ไทย) 3:

การจำแนกปัญหาที่เกี่ยวข้องกับการเรียนหลายสามารถ addressed ในวิธีที่แตกต่างกัน หนึ่งในเทคนิคที่นิยมมากที่สุดประกอบด้วยการแบ่งชุดข้อมูลเดิมเป็น 2 คลาสย่อย การเรียนรู้รูปแบบไบนารีที่แตกต่างกันสำหรับแต่ละใหม่ย่อย . เทคนิคเหล่านี้จะเรียกว่ากลยุทธ์ภาพ .
ในงานนี้ เราสนใจในวิธีการทั้งหมดโดยเทคนิคภาพ ; โดยเฉพาะอย่างยิ่งเรามุ่งเน้นที่เป็นที่หนึ่งและหนึ่ง vs กลยุทธ์การย่อยสลายทั้งหมด จ่ายความสนใจพิเศษในขั้นตอนสุดท้ายของการผสม , การรวมกันของผลของคำไบนารี เป้าหมายของเราคือการพัฒนาเชิงประจักษ์การวิเคราะห์การรวมแตกต่างกันรวมผลผลิตเหล่านี้ ให้เราพัฒนา ศึกษา คู่แรกเราใช้คำที่แตกต่างกันเพื่อรักษาฐานทรัพยากรและศักยภาพของแต่ละชุดในแต่ละลักษณนาม งั้น เราเปรียบเทียบประสิทธิภาพของเทคนิคทั้งหมดเหล่านี้กับคำ ' ตัวเอง ดังนั้น เรายังวิเคราะห์ปรับปรุงด้วยความเคารพในคำที่จัดการเรียนหลาย ๆอย่างโดยเนื้อแท้ .
เราดำเนินการศึกษาทดลอง ด้วยกลไกที่รู้จักกันดีหลายของวรรณกรรมเช่นสนับสนุนเวกเตอร์เครื่องจักร ต้นไม้ การตัดสินใจ เช่น การเรียนรู้ หรือกฎที่ใช้ระบบนี้ เราจะแสดงการสนับสนุนโดยการวิเคราะห์ทางสถิติหลายความดีของภาพเทคนิคเกี่ยวกับฐานและคำสุดท้าย เราจะชี้เสถียรภาพมากที่สุดเทคนิคภายในกรอบนี้ .
& 2011 เอลส์จำกัดสงวนลิขสิทธิ์