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
Using Imaginary Ensembles to Select GP Classifiers
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
2010 (Engelska)Ingår i: Genetic Programming: 13th European Conference, EuroGP 2010, Istanbul, Turkey, April 7-9, 2010, Proceedings / [ed] A.I. et al. Esparcia-Alcazar, Springer, 2010, s. 278-288Konferensbidrag, Publicerat paper (Refereegranskat)
Abstract [en]

When predictive modeling requires comprehensible models, most data miners will use specialized techniques producing rule sets or decision trees. This study, however, shows that genetically evolved decision trees may very well outperform the more specialized techniques. The proposed approach evolves a number of decision trees and then uses one of several suggested selection strategies to pick one specific tree from that pool. The inherent inconsistency of evolution makes it possible to evolve each tree using all data, and still obtain somewhat different models. The main idea is to use these quite accurate and slightly diverse trees to form an imaginary ensemble, which is then used as a guide when selecting one specific tree. Simply put, the tree classifying the largest number of instances identically to the ensemble is chosen. In the experimentation, using 25 UCI data sets, two selection strategies obtained significantly higher accuracy than the standard rule inducer J48.

Ort, förlag, år, upplaga, sidor
Springer, 2010. s. 278-288
Serie
LNCS ; 6021
Nyckelord [en]
classification, decision trees, ensembles, genetic programming, Machine learning
Nationell ämneskategori
Datavetenskap (datalogi) Systemvetenskap, informationssystem och informatik
Identifikatorer
URN: urn:nbn:se:hj:diva-45805Lokalt ID: 0;0;miljJAILISBN: 978-3-642-12147-0 (tryckt)OAI: oai:DiVA.org:hj-45805DiVA, id: diva2:1348940
Konferens
13th European Conference, EuroGP 2010, Istanbul, Turkey, April 7-9, 2010
Anmärkning

Sponsorship:

This work was supported by the INFUSIS project (www.his.se/infusis) at the University of Skövde, Sweden, in partnership with the Swedish Knowledge Foundation under grant 2008/0502.

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

Open Access i DiVA

fulltext(199 kB)32 nedladdningar
Filinformation
Filnamn FULLTEXT01.pdfFilstorlek 199 kBChecksumma SHA-512
0edbe5f1aa02e47606a24eb788977c5487faee514caf2e133d61c87e11619aea1e750280f6fa9e211f35956cb8e1cfaefee406963360606fcc32ccb66d36e7a8
Typ fulltextMimetyp application/pdf

Personposter BETA

Johansson, UlfKönig, RikardLöfström, Tuve

Sök vidare i DiVA

Av författaren/redaktören
Johansson, UlfKönig, RikardLöfström, Tuve
Datavetenskap (datalogi)Systemvetenskap, informationssystem och informatik

Sök vidare utanför DiVA

GoogleGoogle Scholar
Totalt: 32 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: 72 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