.png){kind=icon}
返回
Direct nonparametric predictive inference classification trees
.png){kind=icon}
PRE
AI
DOI：10.1080/02664763.2025.2611297.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
分类是根据实例的属性将其分配到一组预定义类别中的任务。分类树是分类领域中常用的技术之一。本文介绍了一种新颖的分类树算法，称为直接非参数预测推断（D-NPI）分类算法。D-NPI算法完全基于非参数预测推断（NPI）方法，不使用任何其他假设。NPI是一种统计方法论，在缺乏先验知识的情况下从数据中学习，仅使用少量建模假设，通过使用下限和上限概率来量化不确定性。由于NPI具有预测性质，因此非常适合分类，因为分类的性质也明确具有预测性。D-NPI算法使用一种新的分裂标准，称为正确指示（CI）。CI反映了属性变量的信息量，因此如果属性变量非常具有信息量，它会给出CI的高NPI下限和上限概率。此外，CI根据数据报告属性变量将指示未来实例可能类别状态证据的强度。为展示其实际应用性，D-NPI算法在从UCI机器学习库获取的各个领域的基准数据集上进行了测试。通过分类准确率、样本内准确率和树大小，将D-NPI分类算法的性能与其他几种分类算法进行了比较。实验结果表明，D-NPI分类算法表现良好，并倾向于略微优于其他分类算法。
Keyword:
Nonparametric predictive inference
imprecise probability
correct indication
classification
classification trees
期刊
J
IF:
1.1
论文数:
134
被引数:
4.2K
机构
引用论文
.png){kind=icon}
分享收藏
查看更多内容