Comparison of stability of algorithms in classical and ensemble approach in taxonomy
Abstract:
Evaluations

Nobody evaluated this document yet.

Login to evaluate.

Podejście wielomodelowe dotychczas z dużym powodzeniem stosowane było w dyskryminacji
w celu podniesienia dokładności klasyfikacji. W ostatnich latach analogiczne propozycje pojawiły się
w taksonomii, aby zapewnić większą poprawność i stabilność wyników grupowania Liczne badania
wykazały, że agregacja różniących się między sobą wyników wielokrotnego grupowania, pozwala na
poprawę dokładności klasyfikacji.
Stabilność algorytmu taksonomicznego w odniesieniu do niewielkich zmian w zbiorze danych, czy
też parametrów algorytmu jest pożądaną cechą algorytmu. Z drugiej jednak strony, podejście
wielomodelowe czerpie korzyści ze zróżnicowanych klasyfikacji składowych, których połączenie
przynosi bardziej dokładne i stabilne rozwiązanie niż pojedynczy algorytm.
Głównym punktem zainteresowania tego badania była stabilność w podejściu zagregowanym
w taksonomii. Przeprowadzone badania empiryczne pokazały, że podejście zagregowane daje bardziej
stabilne rezultaty niż pojedyncze algorytmy taksonomiczne oraz, że często wyższa stabilność idzie
w parze z wyższą dokładnością klasyfikacji w podejściu zagregowanym.
Cookie:
The our website use cookies to provide you with top-quality services, which are personalised to individual needs. Using the website without changing the setting of cookies is that they will be stored on your end device. You can at any time make changes to the settings for cookies. Close