Investigation of diversity and accuracy in ensemble of classifiers using Bayesian decision rules
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Multiple Classifier System (MCS) has attracted increasing interest in the field of pattern recognition and machine learning where this technique has also been introduced in remote sensing. The importance of classifier diversity in MCS has been raised recently; nevertheless, only a few of the researches have been studied in land cover classification problem. In this paper, a SPOT IV satellite image covering the Hong Kong Island and Kowloon Peninsula with six land cover classes were classified with four base classifiers: Minimum Distance Classifier, Maximum Likelihood Classifier, Mahalanobis Classifier and K-Nearest Neighbor Classifier. Same training and testing data sets were applied throughout the experiments and five Bayesian decision rules, including product rule, sum rule, max rule, min rule, and median rule, were utilized to construct different ensemble of classifiers. Performance of MCS was measured using the overall accuracy and kappa statistics, and three statistical tests including McNemarpsilas test, Cochranpsilas Q test and F-test were introduced to examine the dependence of the classification results. The experimental comparison reveals that (i) increasing the number of base classifiers may not improve the overall accuracy in MCS, (ii) significant diversity in base classifiers cannot enhance the overall performance and <i xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">vice</i> <i xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">versa</i> . These findings are noted with the condition in using the same data set and the same training set.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle