×
维诺德·贾加纳特·卡达姆;贾达夫、什瓦吉拉奥·曼尼克拉奥

中小规模医学数据集集成学习超参数优化方法的性能分析。 （英语） Zbl 1482.62112号

J.离散数学。科学。密码学 23，第1期，115-123（2020年）.
摘要：各种分类器的准确性主要取决于良好的超参数，因此也取决于用于估计这些值的方案（超参数调整算法）。目前，Ensemble分类器的超参数调优（涉及许多超参数）受到了广泛关注。本文旨在分析网格搜索（GS）、随机搜索（RS）和贝叶斯优化（BO）三种优化方法在中小型医学数据集上为集成分类器选择一组最优超参数的有效性（这里我们使用AdaBoost实现决策树集成）。采用5倍CV评价泛化性能。

引用于1文件

理学硕士：

62页第10页 统计学在生物学和医学中的应用；元分析
62H30型 分类和区分；聚类分析（统计方面）

关键词：

贝叶斯优化;网格搜索;随机搜索;集成分类器;超参数优化

软件：

UCI-毫升;JStatCom公司;KEEL公司
PDF格式BibTeX公司 XML格式引用
\textit{V.J.Kadam}和\textit{S.M.Jadhav}，J.离散数学。科学。密码学23，No.1，115--123（2020；Zbl 1482.62112）
全文： 内政部

参考文献：

[1] 费勒、马提亚斯和赫特、弗兰克。“超参数优化”，自动化机器学习。查姆施普林格，2019年。3-33.
[2] 郑，M。；唐·W。；Zhao，X.，利用网络支持的高性能计算加速神经网络驱动空间模型的超参数优化，国际地理信息科学杂志，33，2，314-345（2018）·doi:10.1080/136588162018.1530355
[3] 菲利普·普罗布斯特（Philipp Probst）；Marvin N.Wright。；Boulesteix，Anne Laure，《随机森林的超参数和调整策略》，威利跨学科评论：数据挖掘和知识发现，9，3，e1301（2019）
[4] Bob Hickish，《铁路网优化贝叶斯优化研究》，《国际铁路运输杂志》，2019年第1-17期·doi:10.1080/23248378.2019.1669500
[5] 萨拉·卡拉（Saloni Kalra）；里沙布·兰巴；Sharma，Manoj，《基于机器学习的全球温度与温室气体浓度之间关系分析》，《信息与优化科学杂志》，41，1，73-84（2020）·doi:10.1080/02522667.2020.1715559
[6] Felipe Petroski等人如是说。“深层神经进化：遗传算法是训练深层神经网络以进行强化学习的竞争性替代方法。”arXiv预印本arXiv:1712.06567（2017）。
[7] 拉姆库马尔·埃斯瓦拉普拉萨德和莱内什·拉贾。“通过适应物联网改进智能交通系统，实现可靠的交通控制管理。”2017年信息通信技术和无人系统国际会议（趋势和未来方向）（IC-TUS）。IEEE，2017年。”
[8] Dua，D。；格拉夫，C.（2019）
[9] Alcalá-Fdez，J。；费尔南德斯，A。；Luengo，J。；德拉克，J。；南卡罗来纳州加西亚。；桑切斯，L。；Herrera，F.，KEEL数据挖掘软件工具：数据集存储库，算法与实验分析框架的集成，多值逻辑与软计算杂志，17，2-3（2011）
[10] 卡达姆、维诺德·贾加纳特；贾达夫、什瓦吉拉奥·曼尼克拉奥·数字对象标识码：10.1142/s021969132050006x
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。