.png){kind=icon}
返回
Dynamic ensemble selection for multi -class classification with one-class classifiers
.png){kind=icon}
PRE
AI
DOI：10.1016/j.patcog.2018.05.015.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在本文中，我们处理了使用分解策略解决多类问题的问题。基于分而治之原则，将一个多类问题划分为若干个较易求解的子问题。为了做到这一点，二进制分解被认为是最流行的方法。但是，当使用此策略时，我们可能会处理不称职的分类器的问题。否则，最近的研究强调了单类分类器对此任务的潜在有用性。尽管没有使用所有可用的知识，但单类分类器具有几个可能有益于分解任务的期望属性。从这个角度出发，我们提出了一种基于动态集成选择的组合单类分类器来解决多类问题的新颖方法，该方法使我们能够丢弃不称职的分类器以提高组合阶段的鲁棒性。我们考虑每个实例的邻域来决定分类器是否可以胜任。我们进一步用阈值选项来增强这一点，该阈值选项防止选择与在该邻域中具有太少示例的课程相对应的分类器。为了评估我们方法的有用性，我们进行了广泛的实验研究，并进行了全面的统计分析。获得的结果表明，我们的建议质量很高，并且动态选择一类分类器是分解多类问题的有用工具。（C）2018爱思唯尔有限公司。版权所有。
Keyword:
Machine learning
Classifier ensemble
One-class classification
Multi-class decomposition
Dynamic classifier selection
Ensemble pruning
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
引用论文
Determination of UV stabilizers in pet bottles by high performance‐size exclusion chromatography
PREAI
分享收藏分享收藏Optimal selection of ensemble classifiers using measures of competence and diversity of base classifiers使用基本分类器的能力和多样性度量对集成分类器进行最佳选择.png)
NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏Network constraints and multi-objective optimization for one-class classificationNEURAL NETWORKS
NEURAL NETWORKSIF6.3
PREAI
分享收藏Decoding design based on posterior probabilities in Ternary Error-Correcting Output CodesPATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏
查看更多内容