A New Decision Tree Based on Intuitionistic Fuzzy Twin Support Vector Machines
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
Effectively classifying anomalies in a multi-class setting holds significant importance in domains such as medical datasets, fraud detection, and anomaly detection. This task presents challenges that include efficient training on large datasets, accurate classification in imbalanced scenarios, and sensitivity to high imbalance ratios (IR). This paper introduces a novel approach, the Intuitionistic Fuzzy Twin Support Vector Machine-based Decision Tree (NDT-IFTSVM), aimed at addressing these issues. NDT-IFTSVM integrates IFTSVM and decision tree methodologies, offering an efficient solution for multi-class classification. The proposed algorithm constructs a decision tree comprised of a series of two-class IFTSVMs. To enhance balance and separability, the multi-class method iteratively divides into two sets based on distance between class centres and instance distribution. This recursive process continues until each subset exclusively contains a single class, facilitating effective classification. To handle highly imbalanced datasets, NDT-IFTSVM incorporates a rational weighting strategy. Additionally, we refine NDT-IFTSVM by introducing a regularization term that maximizes the margin between the bounding and proximal hyperplanes, mitigating the impact of noise and outliers. Finally, a coordinate descent system with shrinking by an active set is applied to reduce the computational complexity. Numerical evaluations employ the bootstrap technique with a 95% confidence interval and statistical tests to quantify the significance of performance improvements. Experimental results on 12 datasets demonstrate the efficacy of the proposed method, showcasing promising outcomes compared to other techniques documented in the literature.
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 | 0,001 | 0,001 |
| 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