Pattern recognition using robust discrimination and fuzzy set theoretic preprocessing
Notice bibliographique
Résumé
Classification is the empirical process of creating a mapping from individual patterns to a set of classes and its subsequent use in predicting the classes to which new patterns belong. Tremendous energies have been expended in developing systems for the creation of the mapping component. Less effort has been devoted to the nature and analysis of the data component, namely, strategies that transform the data in order to simplify, in some sense, the classification process. The purpose of this thesis is to redress somewhat this imbalance by introducing two novel preprocessing methodologies. Fuzzy interruptible encoding determines the respective degrees to which a feature belongs to a collection of fuzzy sets and subsequently using these membership grades in place of the original feature. Burnishing tarnished gold standards compensates for the possible imprecision of a well-established reference test by adjusting, if necessary, the class labels in the design set while maintaining the test's vital discriminatory power. The methodologies were applied to several synthetic data sets as well as biomedical spectra acquired from magnetic resonance and infrared spectrometers. Both fuzzy encoding and burnishing consistently improved the discriminatory power of the underlying classifiers. They are insensitive to outliers and often reduce the training time for iterative classifiers such as the multi-layer perceptron. With the latter, reclassification only occurs for data within the design set; outliers within the test set are flagged but not altered. Therefore, the accepted gold standard is left in a pristine state sullied only by its original tarnish.
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.
Comment cette classification a été obtenuedéplier
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».