論文の概要: Enhanced Classification Accuracy for Cardiotocogram Data with Ensemble
Feature Selection and Classifier Ensemble
- arxiv url: http://arxiv.org/abs/2010.14051v1
- Date: Tue, 27 Oct 2020 05:11:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-02 12:33:59.693998
- Title: Enhanced Classification Accuracy for Cardiotocogram Data with Ensemble
Feature Selection and Classifier Ensemble
- Title（参考訳）: アンサンブル特徴選択と分類器アンサンブルを用いた心電図データの分類精度の向上
- Authors: Tipawan Silwattananusarn, Wanida Kanarkard, Kulthida Tuamsuk
- Abstract要約: 提案手法は2つのフェーズから構成される: (i) アンサンブルに基づく特徴選択手法を適用して支持ベクトルとなる可能性のある特徴集合を選択する; (ii) 選択した特徴を用いたSVMアンサンブルを構築する。
特徴選択手法は, (i)相関ベース, (ii)一貫性ベース, (iii)ReliefF, (iv)情報ゲインの4種類であった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper ensemble learning based feature selection and classifier
ensemble model is proposed to improve classification accuracy. The hypothesis
is that good feature sets contain features that are highly correlated with the
class from ensemble feature selection to SVM ensembles which can be achieved on
the performance of classification accuracy. The proposed approach consists of
two phases: (i) to select feature sets that are likely to be the support
vectors by applying ensemble based feature selection methods; and (ii) to
construct an SVM ensemble using the selected features. The proposed approach
was evaluated by experiments on Cardiotocography dataset. Four feature
selection techniques were used: (i) Correlation-based, (ii) Consistency-based,
(iii) ReliefF and (iv) Information Gain. Experimental results showed that using
the ensemble of Information Gain feature selection and Correlation-based
feature selection with SVM ensembles achieved higher classification accuracy
than both single SVM classifier and ensemble feature selection with SVM
classifier.
- Abstract（参考訳）: 本稿では,分類精度を向上させるために,アンサンブル学習に基づく特徴選択と分類器アンサンブルモデルを提案する。
この仮説は、良い特徴集合は、アンサンブル特徴選択からSVMアンサンブルまでのクラスと高い相関を持つ特徴を含み、分類精度のパフォーマンスで達成できるというものである。
提案手法は2段階からなる。
(i)アンサンブルに基づく特徴選択手法を適用して、サポートベクターになりそうな特徴集合を選択すること。
(ii)選択した特徴を用いてSVMアンサンブルを構築する。
提案手法は心電図データを用いた実験により評価した。
4つの特徴選択技術が使われた。
(i)相関に基づく
(ii)一貫性に基づく。
(iii)レリーフ及び
(iv)情報ゲイン。
実験の結果,情報ゲイン特徴選択のアンサンブルとSVMアンサンブルとの相関に基づく特徴選択は,単一のSVM分類器とSVM分類器のアンサンブル特徴選択の両方よりも高い分類精度を示した。
関連論文リスト
- Greedy feature selection: Classifier-dependent feature selection via
greedy methods [2.4374097382908477]
本研究の目的は, グリージーな特徴選択に追随する特徴選択と呼ばれる, 分類タスクにおける特徴ランク付けのための新しいアプローチを導入することである。
このようなスキームの利点は、Vapnik-Chervonenkis(VC)次元やカーネルアライメントといったモデルキャパシティインジケータの観点から理論的に研究されている。
論文 参考訳（メタデータ） (2024-03-08T08:12:05Z) - Feature Selection as Deep Sequential Generative Learning [50.00973409680637]
本研究では, 逐次再構成, 変分, 性能評価器の損失を伴って, 深部変分変圧器モデルを構築した。
提案モデルでは,特徴選択の知識を抽出し,連続的な埋め込み空間を学習し,特徴選択決定シーケンスをユーティリティスコアに関連付けられた埋め込みベクトルにマッピングする。
論文 参考訳（メタデータ） (2024-03-06T16:31:56Z) - Convolutional autoencoder-based multimodal one-class classification [80.52334952912808]
1クラス分類は、単一のクラスからのデータを用いた学習のアプローチを指す。
マルチモーダルデータに適した深層学習一クラス分類法を提案する。
論文 参考訳（メタデータ） (2023-09-25T12:31:18Z) - Feature selection simultaneously preserving both class and cluster
structures [5.5612170847190665]
本稿では,クラス識別と構造保存の両方を統合的に重視するニューラルネットワークに基づく特徴選択手法を提案する。
実験の結果から,提案した特徴/帯域選択により,分類とクラスタリングの両方に適する特徴のサブセットを選択できると主張する。
論文 参考訳（メタデータ） (2023-07-08T04:49:51Z) - Class-Specific Variational Auto-Encoder for Content-Based Image
Retrieval [95.42181254494287]
本稿では,変分自動エンコーダ(VAE)に対する正規化損失を提案する。
その結果、モデルは、関心のクラスに属するデータを他のあらゆる可能性から識別することを学ぶ。
実験の結果,提案手法はドメイン内およびドメイン外検索における競合よりも優れていた。
論文 参考訳（メタデータ） (2023-04-23T19:51:25Z) - Anomaly Detection using Ensemble Classification and Evidence Theory [62.997667081978825]
本稿では,アンサンブル分類とエビデンス理論を用いた新しい検出手法を提案する。
固体アンサンブル分類器を構築するためのプール選択戦略が提示される。
我々は異常検出手法の不確実性を利用する。
論文 参考訳（メタデータ） (2022-12-23T00:50:41Z) - A Supervised Feature Selection Method For Mixed-Type Data using
Density-based Feature Clustering [1.3048920509133808]
本稿では、密度ベース特徴クラスタリング(SFSDFC)を用いた教師付き特徴選択法を提案する。
SFSDFCは、新しい密度に基づくクラスタリング法を用いて、特徴空間を不連続な特徴クラスタの集合に分解する。
そして、これらの特徴クラスタから最小限の冗長性を持つ重要な特徴のサブセットを得るために、効果的な特徴選択戦略を採用する。
論文 参考訳（メタデータ） (2021-11-10T15:05:15Z) - Automated Supervised Feature Selection for Differentiated Patterns of
Care [5.3825788156200565]
パイプラインには、上位K機能を選択するためのフィルタ、ラッパー、埋め込みの3つのタイプの機能選択テクニックが含まれていた。
選択された特徴は, 既存の多次元サブセットスキャン(MDSS)において, 最も異常なサブセット, ほとんど異常なサブセット, 確率スコア, 測定結果が記録された。
論文 参考訳（メタデータ） (2021-11-05T13:27:18Z) - Visualizing Classifier Adjacency Relations: A Case Study in Speaker
Verification and Voice Anti-Spoofing [72.4445825335561]
任意のバイナリ分類器によって生成される検出スコアから2次元表現を導出する簡単な方法を提案する。
ランク相関に基づいて,任意のスコアを用いた分類器の視覚的比較を容易にする。
提案手法は完全に汎用的であり,任意の検出タスクに適用可能だが,自動話者検証と音声アンチスプーフィングシステムによるスコアを用いた手法を実証する。
論文 参考訳（メタデータ） (2021-06-11T13:03:33Z) - Out-of-distribution Generalization via Partial Feature Decorrelation [72.96261704851683]
本稿では,特徴分解ネットワークと対象画像分類モデルとを協調的に最適化する,PFDL(Partial Feature Deorrelation Learning)アルゴリズムを提案する。
実世界のデータセットを用いた実験により,OOD画像分類データセットにおけるバックボーンモデルの精度が向上することを示した。
論文 参考訳（メタデータ） (2020-07-30T05:48:48Z) - Outlier Detection Ensemble with Embedded Feature Selection [42.8338013000469]
組込み特徴選択(ODEFS)を用いた外乱検出アンサンブルフレームワークを提案する。
各ランダムなサブサンプリングベースの学習コンポーネントに対して、ODEFSは、特徴選択と外れ値検出をペアのランキング式に統一する。
我々は、特徴選択と例選択を同時に最適化するために閾値付き自己評価学習を採用する。
論文 参考訳（メタデータ） (2020-01-15T13:14:10Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。