論文の概要: Employing Iterative Feature Selection in Fuzzy Rule-Based Binary Classification

• arxiv url: http://arxiv.org/abs/2401.16244v1
• Date: Fri, 26 Jan 2024 09:33:18 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-30 14:17:46.653010
• Title: Employing Iterative Feature Selection in Fuzzy Rule-Based Binary Classification
• Title（参考訳）: ファジィルールに基づく二分分類における反復特徴の選択
• Authors: Haoning Li, Cong Wang, and Qinghua Huang
• Abstract要約: 本稿ではファジィルールに基づく二項分類において反復的特徴選択を用いる。 提案アルゴリズムは,ファジィ相関に基づく特徴選択と,ビクラスタリングに基づくルールマイニングを組み合わせた。 実験の結果,分類性能は良好であり,ピアよりも優れていた。
• 参考スコア（独自算出の注目度）: 8.438934715555403
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The feature selection in a traditional binary classification algorithm is always used in the stage of dataset preprocessing, which makes the obtained features not necessarily the best ones for the classification algorithm, thus affecting the classification performance. For a traditional rule-based binary classification algorithm, classification rules are usually deterministic, which results in the fuzzy information contained in the rules being ignored. To do so, this paper employs iterative feature selection in fuzzy rule-based binary classification. The proposed algorithm combines feature selection based on fuzzy correlation family with rule mining based on biclustering. It first conducts biclustering on the dataset after feature selection. Then it conducts feature selection again for the biclusters according to the feedback of biclusters evaluation. In this way, an iterative feature selection framework is build. During the iteration process, it stops until the obtained bicluster meets the requirements. In addition, the rule membership function is introduced to extract vectorized fuzzy rules from the bicluster and construct weak classifiers. The weak classifiers with good classification performance are selected by Adaptive Boosting and the strong classifier is constructed by "weighted average". Finally, we perform the proposed algorithm on different datasets and compare it with other peers. Experimental results show that it achieves good classification performance and outperforms its peers.
• Abstract（参考訳）: 従来の二項分類アルゴリズムにおける特徴選択はデータセット前処理の段階で常に使われており、得られた特徴が必ずしも分類アルゴリズムに最適なものではないので、分類性能に影響する。 従来のルールベースのバイナリ分類アルゴリズムでは、分類規則は通常決定論的であり、規則に含まれるファジィ情報が無視される。 そこで本稿では,ファジィルールに基づく二項分類において反復的特徴選択を用いる。 提案アルゴリズムは,ファジィ相関に基づく特徴選択と,ビクラスタリングに基づくルールマイニングを組み合わせた。 最初は、特徴選択後のデータセットでビクラスタリングを行う。 次に、biclusters評価のフィードバックに従って、biclustersの機能選択を再開する。 このように、反復的な機能選択フレームワークを構築します。 イテレーションプロセスの間、取得したバイクラスタが要件を満たすまで停止する。 さらに、ルールメンバシップ関数を導入して、ビクラスタからベクトル化されたファジィルールを抽出し、弱い分類器を構築する。 分類性能が良好な弱分類器を適応ブースティングにより選択し、強分類器を「重み付け平均」で構成する。 最後に,提案アルゴリズムを異なるデータセット上で実行し,他のピアと比較する。 実験の結果,分類性能は良好であり,仲間よりも優れていた。

関連論文リスト

• Bipartite Ranking Fairness through a Model Agnostic Ordering Adjustment [54.179859639868646]
  本稿では,二部類ランキングにおける公平性を実現するためのモデルに依存しない後処理フレームワークxOrderを提案する。 xOrderは、教師なしおよび教師なしの公正度メトリックを含む、さまざまな分類モデルとランキングフェアネスメトリクスと互換性がある。 提案アルゴリズムを,4つのベンチマークデータセットと2つの実世界の患者電子健康記録リポジトリ上で評価した。
  論文  参考訳（メタデータ） (2023-07-27T07:42:44Z)
• 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)
• 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)
• Exploring Category-correlated Feature for Few-shot Image Classification [27.13708881431794]
  本稿では,従来の知識として,新しいクラスとベースクラスのカテゴリ相関を探索し,シンプルで効果的な特徴補正手法を提案する。 提案手法は, 広く使用されている3つのベンチマークにおいて, 一定の性能向上が得られる。
  論文  参考訳（メタデータ） (2021-12-14T08:25:24Z)
• Inducing a hierarchy for multi-class classification problems [11.58041597483471]
  分類的ラベルが自然な階層に従ったアプリケーションでは、ラベル構造を利用する分類方法は、そうでないものをしばしば上回る。 本稿では,フラット分類器に対する分類性能を向上できる階層構造を誘導する手法のクラスについて検討する。 原理シミュレーションと3つの実データアプリケーションにおいて、潜入階層の発見と精度向上のためのメソッドのクラスの有効性を実証する。
  論文  参考訳（メタデータ） (2021-02-20T05:40:42Z)
• Equivalent Classification Mapping for Weakly Supervised Temporal Action Localization [92.58946210982411]
  微弱に監督された時間的行動の局所化は近年、新しく広く研究されているトピックである。 事前分類パイプラインは、まず、各ビデオスニペットの分類を行い、次いで、スニペットレベルの分類スコアを集約して、ビデオレベルの分類スコアを得る。 後分類パイプラインは、まずスニペットレベルの特徴を集約し、集約された特徴に基づいてビデオレベルの分類スコアを予測する。
  論文  参考訳（メタデータ） (2020-08-18T03:54:56Z)
• The Role of Randomness and Noise in Strategic Classification [7.972516140165492]
  戦略的分類設定における最適分類器の設計問題について検討する。 多くの自然の場合において、与えられた最適解はプレイヤーが特徴ベクトルを決して変更しない構造を持つことを示す。 また、ノイズ信号が平衡結果を改善することも示している。
  論文  参考訳（メタデータ） (2020-05-17T21:49:41Z)
• Learning Class Regularized Features for Action Recognition [68.90994813947405]
  本稿では,階層活性化のクラスベース正規化を行うクラス正規化手法を提案する。 動作認識に最先端CNNアーキテクチャのクラス正規化ブロックを用いることで,Kineetics,UCF-101,HMDB-51データセットにおいて,それぞれ1.8%,1.2%,1.4%の体系的改善が得られた。
  論文  参考訳（メタデータ） (2020-02-07T07:27:49Z)
• Clustering Binary Data by Application of Combinatorial Optimization Heuristics [52.77024349608834]
  本稿では,2値データのクラスタリング手法について検討し,まず,クラスタのコンパクトさを計測するアグリゲーション基準を定義した。 近隣地域と人口動態最適化メタヒューリスティックスを用いた5つの新しいオリジナル手法が導入された。 準モンテカルロ実験によって生成された16のデータテーブルから、L1の相似性と階層的クラスタリング、k-means(メドイドやPAM)の1つのアグリゲーションの比較を行う。
  論文  参考訳（メタデータ） (2020-01-06T23:33:31Z)
• Optimal Clustering from Noisy Binary Feedback [75.17453757892152]
  本稿では,二元的ユーザフィードバックから一組のアイテムをクラスタリングする問題について検討する。 最小クラスタ回復誤差率のアルゴリズムを考案する。 適応選択のために,情報理論的誤差下界の導出にインスパイアされたアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2019-10-14T09:18:26Z)

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。