Resumen

La Máquina de Aprendizaje Extremo (ELM) es un algoritmo de aprendizaje rápido para una red neuronal de una sola capa oculta (SLFN). Suele tener un buen rendimiento de generalización. Sin embargo, existe la posibilidad de que sobreajuste los datos de entrenamiento debido a que tiene más nodos ocultos de los necesarios. Para abordar el rendimiento de la generalización, utilizamos un enfoque de conjunto heterogéneo. Proponemos un Ensemble ELM Avanzado (AELME) para la clasificación, que incluye Regularized-ELM, L2-norm-optimized ELM (ELML2), y Kernel-ELM. El conjunto se construye entrenando un clasificador ELM elegido al azar en un subconjunto de datos de entrenamiento seleccionados mediante un remuestreo aleatorio. El AELM-Ensemble propuesto evoluciona empleando una función objetivo de aumento de la diversidad y la precisión entre el ensemble final. Por último, la etiqueta de clase de los datos no vistos se predice mediante un enfoque de voto mayoritario. La división de los datos de entrenamiento en subconjuntos y la incorporación de clasificadores ELM heterogéneos dan como resultado una mayor precisión de predicción, una mejor generalización y un menor número de clasificadores base, en comparación con otros modelos (Adaboost, Bagging, Dynamic ELM ensemble, data splitting ELM ensemble y ELM ensemble). La validez de AELME se confirma mediante la clasificación en varios conjuntos de datos de referencia del mundo real.

• Materias:Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva Fisiología vegetal
• Subjects:Genetic algorithms Brain - pathophysiology Cognitive Neuroscience Plant physiology
• Palabras claves:datos de entrenamiento, clasificador elm elegido, elm, mayor precisión de predicción, número de base, enfoque de conjunto heterogéneo, validez de aelme, conjuntos de datos de referencia mundial, máquina de aprendizaje extremo, capa oculta feedforward
• Keywords:training data, chosen elm classifier, elm, higher prediction accuracy, number of base, heterogeneous ensemble approach, validity of aelme, world benchmark datasets, extreme learning machine, hidden layer feedforward