Resumen

Los Códigos de Salida con Corrección de Errores se han convertido en una técnica bien conocida y establecida para la clasificación multiclase debido a su simplicidad y eficiencia. Cada división binaria contiene diferentes clases originales. Un clasificador no competente surge cuando clasifica una instancia cuya clase real no pertenece a las metasubclases que se utilizan para aprender el clasificador. Para la clasificación ECOC es urgente saber cómo reducir el error causado por los clasificadores no competentes cuando la diversidad es lo suficientemente grande. La estrategia de decodificación ponderada puede utilizarse para reducir el error causado por la contradicción de la no competencia mediante el reaprendizaje de la matriz de coeficientes de peso. Para ello, en este trabajo se presenta una nueva estrategia de decodificación ponderada que tiene en cuenta la fiabilidad de la competencia del clasificador y que es adecuada para cualquier matriz de codificación. La descripción de datos de vectores de apoyo se aplica para calcular la distancia de una instancia a las metasubclases. La distancia refleja la fiabilidad de la competencia y se fusiona como el peso en la combinación del clasificador base. De este modo, se refuerza el efecto de los clasificadores competentes en la clasificación, mientras que se reduce el sesgo inducido por los no competentes. Reflejando la fiabilidad de la competencia, los pesos de los clasificadores para cada instancia cambian dinámicamente, lo que concuerda con la práctica de la clasificación. Las simulaciones estadísticas basadas en conjuntos de datos de referencia indican que nuestro algoritmo propuesto supera a otros métodos y proporciona una nueva idea para resolver el problema de la no competencia.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:fiabilidad de la competencia, clasificador no competente, algoritmo propuesto supera, combinación de clasificadores base, matriz de coeficientes de peso, peso del clasificador, clase original diferente, fiabilidad de la competencia del clasificador, datos del vector de soporte, descripción de los datos del vector
• Keywords:competence reliability, noncompetent classifier, proposed algorithm outperforms, base classifier combination, weight coefficient matrix, weight of classifier, different original class, classifier competence reliability, support vector data, vector data description