Methods of reference set condensation for decision rules based on distance functions

• Autorzy: Sierszeń A.

Warianty tytułu

PL

Metody kondensacji zbioru odniesienia dla reguł decyzyjnych opartych na funkcji odległości

• Języki publikacji: EN

Abstrakty

EN

The article presents four original algorithms of the reference set condensation to control the compromise between the speed and the quality of classification based on the obtained condensed reference set. The results obtained confirm the usefulness of the proposed algorithms, particularly in the case of very large training sets.

PL

W artykule przedstawiono cztery autorskie algorytmy kondensacji zbioru odniesienia, charakteryzujące się możliwością sterowania pomiędzy szybkością a jakością klasyfikacji, opartej na uzyskanym skondensowanym zbiorze odniesienia. Przeprowadzone testy dowodzą, że zaproponowane algorytmy umożliwiają znaczącą redukcję wielkości zbioru odniesienia dla reguły typu najbliższy sąsiad przy jednoczesnym zachowaniu jakości klasyfikacji bliskiej tej, jaką uzyskuje się z zastosowaniem pełnego zbioru uczącego użytego w roli zbioru odniesienia.

Słowa kluczowe

EN

reference set condensation; reference set; methods of condensation; classification speed; classification quality

PL

kondensacja zbioru odniesienia; zbiór odniesienia; metody kondensacji; szybkość klasyfikacji; jakość klasyfikacji

• Wydawca: Wydawnictwo Politechniki Łódzkiej
• Czasopismo: Zeszyty Naukowe. Elektryka / Politechnika Łódzka
• Rocznik: 2009
• Tom: z. 117
• Strony: 45--53
• Opis fizyczny: Bibliogr. 9 poz.

Twórcy

autor

Sierszeń A.

• Technical University of Łódź, Computer Engineering Department

Bibliografia

• [1] Białynicka-Birula L: Modelowanie rzeczywistości. Prószyński i S-ka S.A., Warszawa 2002, p. 122.
• [2] Chang C.L.: Finding Prototypes for Nearest Neighbour Classifiers. IEEE Transactions on Computers 1974, tom. C-23, No. 11, pp. 1179-1184.
• [3] Sanchez J.S., Pla F., Ferri F.J.: On the use of neighbourhood-based non-parametric classifiers. Pattern Recognition Letters 1997, Vol. 18, No. 11-13, pp.1179-1186.
• [4] Sanchez J.S., Pla F., Ferri F.J.: Prototype selection for the nearest neighbour rule through proximity graphs. Pattern Recognition Letters 1997a, Vol. 18, No. 6, pp.507-513.
• [5] Sanchez J.S., Pla F., Ferri F.J.: Improving the k-NCN classification rule through heuristic modifications. Pattern Recognition Letters 1998, Vol. 19, No. 13, pp. 1165-1170.
• [6] Sanchez J.S., Barandela R., Marąues A.I., Alejo R., Badenas J.: Analysis of new techniques to obtain quality training sets. Pattern Recognition Letters 2001, Vol. 24, pp. 1015-1022.
• [7] Lozano M., Jos'E S., Sanchez J.S., Pla F.: Reducing Training Sets by NCN-Based Exploratory Procedures. F.J. Perales et al. (Eds.): IbPRIA 2003, LNCS 2652, pp. 453-461, Springer-Verlag, Heidelberg, New York.
• [8] Moghaddam B., Pentland A.: An automatic system for model based coding of faces. IEEE International Conference on Image Processing 1995, Washington DC, USA.
• [9] Skarbka W.: Multimedia - Algorytmy i Standardy Kompresji AOWPLJ, Warszawa 1998.