Stability of Optimal Parameters for Classifier Based on Simple Granules of Knowledge

• Autorzy: Artiemjew P.

Warianty tytułu

PL

Badanie stabilności optymalnych parametrów klasyfikatora bazującego na prostych granulach wiedzy

• Języki publikacji: EN

Abstrakty

EN

Searching for optimal parameters of a classifier based on simple granules of knowledge investigated recently by the author (ARTIEMJEW 2010) raises a question about stability of optimal parameters. In this article, we will check dependence of stability of the optimal radius of granulation on random damage of decision system. The results of experiments show the dependence of stability on size of damage and strategies of treating missing values. This kind of research aims at finding methods of protecting decision systems which are vulnerable to damage against decreasing their classification effectiveness, which means preserving classifying possibilities similar to undamaged decision systems.

PL

Przeprowadzone w ostatnim czasie badania (ARTIEMJEW 2010) zmierzające do wyszukiwania optymalnych parametrów klasyfikacji modułów decyzyjnych opartych na prostych granulach wiedzy zrodziły pytanie o stabilność optymalnych parametrów klasyfikacji. W pracy sprawdzono zależność stabilności optymalnych promieni granulacji od losowego uszkadzania systemu decyzyjnego. Wyniki badań wskazały jednoznacznie, że istnieje zależność między stabilnością a wielkością uszkodzenia i strategiami traktowania wartości uszkodzonych. Tego typu badania mają na celu szukanie metod zabezpieczania systemów decyzyjnych, które są podatne na uszkodzenia, przed zmniejszaniem ich efektywności klasyfikacyjnej. Celem było zachowanie możliwości klasyfikacyjnych zbliżonych do efektywności nieuszkodzonych systemów decyzyjnych.

Słowa kluczowe

EN

rough sets; rough inclusions; granules of knowledge; classification of data; missing values; stability of optimal parameters

PL

zbiory przybliżone; inkluzje przybliżone; granule wiedzy; klasyfikacja danych; uszkodzenia systemu decyzyjnego; stabilność optymalnych parametrów

• Wydawca: Wydawnictwo Uniwersytetu Warmińsko-Mazurskiego w Olsztynie
• Czasopismo: Technical Sciences / University of Warmia and Mazury in Olsztyn
• Rocznik: 2011
• Tom: nr 14(1)
• Strony: 57--69
• Opis fizyczny: Bibliogr. 9 poz., rys., tab., wykr.

Twórcy

autor

Artiemjew P.

• Chair of Mathematical Methods in Computer Sciences, University of Warmia and Mazury in Olsztyn,

Bibliografia

• ARTIEMJEW P. 2009. On strategies of knowledge granulation and applications to decision systems. PhD Dissertation, Polish Japanese institute of Information Technology, L. Polkowski, Supervisor, Warsaw.
• ARTIEMJEW P. 2008. Natural versus granular computing. Classifiers from granular structures. Proceedings of 6th International Conference on Rough Sets and Current Trends in Computing RSCTC’08, Akron, Ohio, USA, vol. 5306, Springer Berlin / Heidelberg, pp. 150-159.
• ARTIEMJEW P. 2010. In search of optimal parameters for classifier based on simple granules of knowledge. III International Interdisciplinary Technical Conference of Young Scientists (Inter-Tech 2010), 3: 138-142, Poznan University Press.
• POLKOWSKI L. 2008. A Unified Approach to Granulation of Knowledge and Granular Computing Based on Rough Mereology. A Survey. In.: Handbook of Granular Computing. Eds. W. Pedrycz, A. Skowron, V. Kreinovich. John Wiley & Sons, New York, pp. 375-401.
• POLKOWSKI L., ARTIEMJEW P. 2008. Rough mereology in classification of data. Voting by means of residual rough inclusions. Proceedings of 6th International Conference on Rough Sets and Current Trends in Computing RSCTC’08, Akron, Ohio, USA.
• POLKOWSKI L., ARTIEMJEW P. 2007. On granular rough computing. Factoring classifiers through granular structures. In: Rough Sets and Intelligent Systems Paradigms, International Conference, RSEISP. Eds. M. Kryszkiewicz, J.F. Peters, H. Rybiński, A. Skowron. LNAI, 4585: 280-290. Springer, Berlin.
• POLKOWSKI L. 2007. Granulation of knowledge in decision systems. The approach based on rough inclusions. The Method and its applications (plenary talk). Lecture Notes in Artificial Intelligence (Proceedings RSEiSP’07), 4585: 69-79.
• MOLINARO A.M., SIMON R., PFEIFFER R.M. 2005. Prediction error estimation. A comparison of resampling methods. Bioinformatics, 21(15): 3301-3307, Oxford University Press, Oxford, UK.
• UCI Repository: http.//www.ics.uci.edu/mlearn/databases/