Zastosowanie metody boosting w indukcji reguł

• Autorzy: Mariusz Kubus

Warianty tytułu

Boosting Application in Rules Induction

• Języki publikacji: PL

Abstrakty

Metoda boosting została opracowana, aby zmniejszyć zależność jakości predykcji od struktury zbioru uczącego. Celem artykułu jest zbadanie wybranych właściwości algorytmu SLIPPER opracowanego przez Cohena i Singera [1999] oraz porównanie go z dobrze znanym algorytmem drzew klasyfikacyjnych CART.

EN

The induction of classification rules in the implication form is an alternative to classification trees in a presence of non-metric variables. Many algorithms of rules induction follow the classical manner separate-and-conquer [Michalski 1969], Cohen and Singer [1999] proposed to use boosting instead of the step ''separate " and implemented it in SLIPPER. The goal of this paper is to test the selected properties of SLIPPER algorithm and compare it with popular CART. (original abstract)

Słowa kluczowe

PL

Algorytmy; Analiza dyskryminacyjna; Analiza regresji; Drzewa klasyfikacyjne

EN

Algorithms; Discriminant analysis; Regression analysis; Classification trees

• Czasopismo: Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu. Taksonomia
• Rocznik: 2008
• Tom: 15
• Numer: nr 7 (1207) Klasyfikacja i analiza danych - teoria i zastosowania
• Strony: 470-477

Twórcy

autor

Mariusz Kubus

• Politechnika Opolska

Bibliografia

• Blake C., Keogh E., Merz C.J. (1998), UCI Repository of Machine Learning Databases, Department of Information and Computer Science, University of California, Irvine, www.ics.uci.edu/~ mlearn /MLRepository.html.
• Breiman L. (1998), Arcing Classifiers, „Annals of Statistics" nr 26.
• Cohen W.W. (1995), Fast Effective Rule Induction, [w:] Proceedings of the 12th International Conference on Machine Learning, red. A. Prieditis, S. Russell.
• Cohen W.W., Singer Y. (1999), A Simple, Fast, and Effective Rule Learner, Proceedings of Annual Conference of American Association for Artificial Intelligence, s. 335-342.
• Freund Y., Schapire R. E. (1997), A Decision-theoretic Generalization of On-line Learning and an Application to Boosting, „Journal of Computer and System Sciences" nr 55.
• Gatnar E. (1998), Symboliczne metody klasyfikacji danych, Wydawnictwo Naukowe PWN, Warszawa.
• Gatnar E. (2001), Nieparametryczna metoda dyskryminacji i regresji, Wydawnictwo Naukowe PWN, Warszawa.
• Michalski R.S. (1969), On the Quasi-Minimal Solution of the Covering Problem, Proceedings of the 5th International Symposium on Information Processing (FCIP-69), vol. A3 (Switching Circuits), Bled, Yugoslavia, s. 125-128.
• Schapire R.E., Singer Y. (1998), Improved Boosting Algorithms Using Confidence-rated Predictions, Proceedings of the Eleventh Annual Conference on Computational Learning Theory, s. 80-91.