Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: problemy wieloklasowe

Sortuj według:

Ogranicz wyniki do:

Prawdopodobieństwo błędu klasyfikatorów złożonych dla problemów wieloklasowych

Huk M., Szczepanik M.

Eksploatacja i Niezawodność

2011

nr 3

12-16

In this paper we consider majority voting of multiple classifiers systems in the case of two-valued decision support for many-class problem. Using an explicit representation of the classification error probability for ensemble binomial voting and two class problem, we obtain general equation for classification error probability for the case under consideration. Thus we are extending theoretical analysis of the given subject initially performed for the two class problem by Hassen and Salamon and still used by Kuncheva and other researchers. This allows us to observe important dependence of maximal posterior error probability of base classifier allowable for building multiple classifiers from the number of considered classes. This indicates the possibility of improving the performance of multiple classifiers for multiclass problems, which may have important implications for their future applications in many fields of science and industry, including the problems of machines diagnostic and systems reliability testing.

W niniejszym artykule rozważamy systemy złożonych klasyfikatorów z głosowaniem większościowym dla przypadku problemów wieloklasowych, wykorzystujące wielowartościowe klasyfikatory bazowe. Stosując bezpośrednią reprezentację prawdopodobieństwa błędnej klasyfikacji dla analogicznych systemów w problemach dwuklasowych, otrzymujemy ogólny wzór na prawdopodobieństwo błędu klasyfikacji w przypadku wieloklasowym. Tym samym rozszerzamy teoretyczne analizy tego zagadnienia pierwotnie przeprowadzone dla problemów dwuklasowych przez Hansena i Salomona i ciagle wykorzystywane przez Kunchevę i innych badaczy. Pozwala nam to zaobserwować istotną zależność maksymalnego dopuszczalnego poziomu prawdopodobieństwa błędów klasyfikatorów bazowych od liczby rozważanych przez nie klas. Wskazuje to na możliwość poprawy parametrów klasyfikatorów złożonych dla problemów wieloklasowych, co może mieć niebagatelne znaczenie dla dalszych ich zastosowań w licznych dziedzinach nauki i przemysłu, z uwzględnieniem zagadnień diagnostyki maszyn oraz badania niezawodności systemów.

Fuzzy support vector machines based on density estimation with Gaussian mixture for multiclass problems

Martyna J.

Studia Informatica

2009

Vol. 30, nr 2A

309-316

In this paper, we introduce new Fuzzy Support Vector Machines (FSVMs) for a multiclass classification. The suggested Fuzzy Support Vector Machines include the data distribution with the density estimated in a set of functions defined as Gaussian mixture. The proposed method gives more appropriate boundaries than the classical FSVM method. We demonstrate some examples which confirm our approach.

W pracy przedstawiono matematyczny model, jakim jest Fuzzy Support Vector Machine (FSVM), czyli rozmyta maszyna wektorów podpierających. Wprowadzono w nim estymację gęstości opartą na zbiorze funkcji definiowanych jako mieszanka funkcji gaussowskich. Zaproponowana metoda dostarcza lepszych ograniczeń niż dotychczas stosowany model FSVM. Demonstrujemy kilka przykładów, które potwierdzają opisywane podejście.