RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
Increasing Rule Extraction Accuracy by Post-processing GP Trees
Högskolan i Borås, Institutionen Handels- och IT-högskolan.ORCID-id: 0000-0003-0412-6199
Högskolan i Borås, Institutionen Handels- och IT-högskolan.
Högskolan i Borås, Institutionen Handels- och IT-högskolan.ORCID-id: 0000-0003-0274-9026
Högskolan i Borås, Institutionen Handels- och IT-högskolan.
2008 (Engelska)Ingår i: Proceedings of the Congress on Evolutionary Computation, IEEE, 2008, s. 3010-3015Konferensbidrag, Publicerat paper (Refereegranskat)
Abstract [en]

Genetic programming (GP), is a very general and efficient technique, often capable of outperforming more specialized techniques on a variety of tasks. In this paper, we suggest a straightforward novel algorithm for post-processing of GP classification trees. The algorithm iteratively, one node at a time, searches for possible modifications that would result in higher accuracy. More specifically, the algorithm for each split evaluates every possible constant value and chooses the best. With this design, the post-processing algorithm can only increase training accuracy, never decrease it. In this study, we apply the suggested algorithm to GP trees, extracted from neural network ensembles. Experimentation, using 22 UCI datasets, shows that the post-processing results in higher test set accuracies on a large majority of datasets. As a matter of fact, for two setups of three evaluated, the increase in accuracy is statistically significant.

Ort, förlag, år, upplaga, sidor
IEEE, 2008. s. 3010-3015
Nyckelord [en]
genetic programming, rule extraction, Computer Science, Machine Learning, Data Mining
Nyckelord [sv]
data mining
Nationell ämneskategori
Data- och informationsvetenskap
Identifikatorer
URN: urn:nbn:se:hj:diva-45814Lokalt ID: 0;0;miljJAILISBN: 978-1-4244-1823-7 (tryckt)OAI: oai:DiVA.org:hj-45814DiVA, id: diva2:1348931
Konferens
CEC 2008, Hong Kong, June 1-6, 2008
Anmärkning

Sponsorship:

This work was supported by the Information Fusion Research Program (University of Skövde, Sweden) in partnership with the Swedish Knowledge Foundation under grant 2003/0104 (URL: http://www.infofusion.se).

Tillgänglig från: 2019-09-06 Skapad: 2019-09-06 Senast uppdaterad: 2019-09-06Bibliografiskt granskad

Open Access i DiVA

fulltext(155 kB)21 nedladdningar
Filinformation
Filnamn FULLTEXT01.pdfFilstorlek 155 kBChecksumma SHA-512
f3248da0eb4b934a15ce0c29be865e90b34985095f81c0ee8d70f26bc5a89964a24b678b22b8e476115225fc46be9477bb27d59ae005409f792bf948075c00c6
Typ fulltextMimetyp application/pdf

Personposter BETA

Johansson, UlfKönig, RikardLöfström, Tuve

Sök vidare i DiVA

Av författaren/redaktören
Johansson, UlfKönig, RikardLöfström, Tuve
Data- och informationsvetenskap

Sök vidare utanför DiVA

GoogleGoogle Scholar
Totalt: 21 nedladdningar
Antalet nedladdningar är summan av nedladdningar för alla fulltexter. Det kan inkludera t.ex tidigare versioner som nu inte längre är tillgängliga.

isbn
urn-nbn

Altmetricpoäng

isbn
urn-nbn
Totalt: 59 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf