Деревья решенийАнсамблевое обучениеРаспознавание рукописных цифрСлучайные леса решенийМетод случайных подпространств
Figures from the paper
Abstract (AI)
Деревья решений привлекательны как классификаторы благодаря высокой скорости выполнения. Однако деревья, получаемые традиционными методами, зачастую не могут быть увеличены до произвольной сложности из‑за возможного снижения обобщающей точности на невидимых данных. Ограничение сложности обычно означает неоптимальную точность на обучающей выборке. Следуя принципам стохастического моделирования, мы предлагаем метод построения классификаторов на основе деревьев, емкость которых может быть произвольно увеличена для повышения точности как на обучающих, так и на невидимых данных. Суть метода заключается в построении множества деревьев в случайно выбранных подпространствах признакового пространства. Деревья в различных подпространствах по‑разному обобщают классификацию, и их комбинированная классификация может улучшаться монотонно. Достоверность метода показана в экспериментах по распознаванию рукописных цифр.
Key Findings
1
Достоверность метода демонстрируется экспериментально на задаче распознавания рукописных цифр, показывая улучшение точности на обучающих и невидимых данных.
2
В работе предложен метод построения множества деревьев решений в случайно выбранных подс пространствах признакового пространства, позволяющий произвольно увеличивать емкость модели.
3
Традиционные деревья решений часто нельзя делать arbitrarily сложными без потери обобщающей точности на невидимых данных, что ограничивает точность на обучении.
4
Деревья, построенные в разных случайных подс пространствах, дополняют друг друга в обобщении, а их объединение может монотонно улучшать классификацию.
Research Object
Ансамбль деревьев решений, построенных множественно в случайно выбранных подпространствах признакового пространства (случайные леса решений)
Research Subject
Повышение точности классификации и обобщающей способности за счёт расширения ёмкости модели посредством построения деревьев в случайных подпространствах и объединения комплементарных классификаторов, продемонстрировано на задаче распознавания рукописных цифр
Publication Details
Publication Date
2002-11-19
Journal
Publisher
ISSN
Cited by
6271
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai1
Работы, цитирующие эту статью16
Распознавание образов и нейронные сети1996
Всесторонний обзор машинного обучения для сетей: эволюция, приложения и перспективы исследований2018
Обнаружение атак и аномалий в датчиках Интернета вещей на объектах Интернета вещей с использованием методов машинного обучения2019
Лаборатории с автономным управлением для химии и материаловедения2024
PrankWeb: веб-сервер для предсказания и визуализации сайтов связывания лигандов2019
Распознавание эмоций человека на основе интерфейсов мозг–компьютер с использованием ЭЭГ и машинного обучения: всесторонний обзор2022
FlowPrint: полууправляемая идентификация мобильных приложений по зашифрованному сетевому трафику2020
Дискриминация сейсмических волн с помощью машинного обучения: применение для раннего предупреждения о землетрясениях2018
Всесторонний обзор методов сжатия моделей в машинном обучении2024
Комплексный обзор синергии мультимодальных данных и технологий ИИ в медицинской диагностике2024
Искусственный интеллект в репродуктивной медицине2019
Применение машинного обучения в метаболомике: моделирование и классификация заболеваний2022
Прогнозирование увольнения сотрудников с использованием машинного обучения2018
Сколько стоит вид из окна? Гедоническая модель ценообразования на рынке недвижимости на основе машинного обучения2022
Эмпирическая оценка алгоритма t-SNE для визуализации данных в строительной инженерии2021
Выявление знаний на основе машинного обучения в данных реестра, связанных с ревматоидным артритом, для определения предикторов персистирующей боли2019