پروژه متلب ساخت Ensembles از تحلیل envelopment داده
ساخت Ensembles از تحلیل envelopment داده با متلب | MATLAB
چکیده
استفاده از یک گروه از مدل‌ها اغلب منجر به عملکرد بهتر از استفاده از یک مدل “بهترین” می‌شود. ما یک رویکرد جدید براساس تحلیل پوششی داده‌ها (DEA) برای ترکیب مدل ارائه می‌کنیم. ما ثابت می‌کنیم که برایمشکلات طبقه‌بندی دو طبقه‌ای، مدل‌های DEA بدنه محدب مشابهی را با استفاده از تحلیل خصوصیات عملیاتیگیرنده عمومی (ROC)برای ترکیب مدل شناسایی می‌کند. ما بیشتر روش‌های مبتنی بر DEA را توسعه می‌دهیم تا طبقه‌بندی کننده‌ها را برای مشکلات طبقه‌بندی کلاس عمومی بیشتر ترکیب کنیم. نتایج ما نشان می‌دهد که دو روش نسبت به روش‌های بنچ‌مارک دیگر بهتر عمل می‌کنند و نشان می‌دهند DEA می‌تواند یک ابزار قدرتمندبرای ترکیب مدل باشد.
در این گزارش به شرح کامل کدهای پیاده‌سازی در برنامه پرداخته خواهد شد. در این پیاده سازی ۱۰ طبقه‌بند مختلف آموزش داده شده است و با هر چهار روش بررسی شده در فصل پنجم مقاله ترکیب شده اند. فایل اصلی برنامه با نام main مشخص شده است و به ازای هر دیتاست بررسی شده یک فایل وجود دارد. برای مثال فایل main_col دیتاست col که درون فایلهاست و از uci استخراج شده را بررسی می کند. به این دلیل که فایل‌ها تماما شبیه به هم هستند فقط فایل main_col را توضیح خواهیم داد.
Constructing Ensembles from Data Envelopment Analysis
Abstract
Using an ensemble of models often results in better performance than using a single “best” model. We present a new approach based on data envelopment analysis (DEA) for model combination. We prove that for two-class classification problems, DEA models identify the same convex hull as does the popular receiver operating characteristics (ROC) analysis used for model combination. We further develop two DEA-based methods to combine classifiers for the more general k-class classification problems. Our results demonstrate that the two methods outperform other benchmark methods and suggest that DEA can be a powerful tool for model combination.
لطفاً براي ارسال دیدگاه، ابتدا وارد حساب كاربري خود بشويد