×
查克拉波蒂，塔努吉特；阿希斯·库马尔·查克拉博蒂；默西，C.A。

一种非参数集成二进制分类器及其统计特性。 （英语） Zbl 1459.62107号

统计概率。莱特。 149, 16-23 (2019).
摘要：在这项工作中，我们提出了一个分类树（CT）和人工神经网络（ANN）的集成。给出了该分类器的几个统计性质，包括通用一致性和重要参数的上界。还使用各种实际数据集提供了数值证据，以评估模型的性能。我们提出的非参数集成分类器不受“维数灾难”的影响，可以用于多种特征选择和分类问题。与用于类似情况的许多其他最先进的模型相比，该模型的性能要好得多。

引用于5文件

MSC公司：

62H30型 分类和区分；聚类分析（统计方面）
第62页第10页 统计学在生物学和医学中的应用；元分析
68T05型 人工智能中的学习和自适应系统

关键词：

分类树；神经网络；混合模型；一致性；医疗数据

软件：

TensorFlow公司
PDF格式BibTeX公司 XML格式引用
\textit{T.Chakraborty}等人，统计概率。莱特。149，16-23（2019；Zbl 1459.62107）
全文： 内政部 arXiv公司

参考文献：

[1] M.阿巴迪。；巴勒姆，P。；陈，J。；陈，Z。；A.戴维斯。；迪安·J。；德文，M。；盖玛瓦特，S。；欧文，G。；Isard，M.，（Tensorflow：大规模机器学习系统。Tensorflow：大规模机器学习系统，OSDI，第16卷（2016）），265-283
[2] Barron，A.R.，σ函数叠加的通用近似界，IEEE Trans。通知。理论，39，3，930-945（1993）·Zbl 0818.68126号
[3] Breiman，L.，《随机森林》，马赫。学习。，45, 1, 5-32 (2001) ·Zbl 1007.68152号
[4] Breiman，L.，《分类和回归树》（2017），Routledge
[5] Chakraborty，T。；查克拉博蒂，A.K。；Chattopadhyay，S.，《制造过程效率改进的新型无分布混合回归模型》（2018），arXiv预印本arXiv:1804.08698
[6] Chakraborty，T。；Chattopadhyay，S。；Chakraborty，A.K.，分类树和人工神经网络的新型杂交，用于选择商学院学生，Opsearch，55，2，434-446（2018）
[7] Cover，T.M.，线性不等式组的几何和统计性质及其在模式识别中的应用，IEEE Trans。电子。计算。，3, 326-334 (1965) ·Zbl 0152.18206号
[8] Devroye，L。；Gyorfi，L.，《非参数密度估计：L1视图》（1985），纽约：John Wiley&Sons·Zbl 0546.62015号
[9] Devroye，L。；吉尔菲（Györfi，L.）。；Lugosi，G.，模式识别的概率理论（2013），Springer Science&Business Media
[10] 邓森，D.B.，《大数据时代的统计：机器的故障》，统计师。普罗巴伯。莱特。，136, 4-9 (2018) ·Zbl 1489.62411号
[11] 法拉戈，A。；Lugosi，G.，神经网络分类器的强通用一致性，IEEE Trans。通知。理论，39，4，1146-1151（1993）·Zbl 0811.68109号
[12] 吉尔菲（Györfi，L.）。；科勒，M。；Krzyzak，A。；Walk，H.，非参数回归的无分布理论（2006），Springer Science&Business Media
[13] 霍尼克，K。；Stinchcombe，M。；White，H.，多层前馈网络是通用逼近器，神经网络。，2, 5, 359-366 (1989) ·Zbl 1383.92015年
[14] Kuncheva，L.I.，《组合模式分类器：方法和算法》（2004），John Wiley&Sons·Zbl 1066.68114号
[15] 卢戈西，G。；Nobel，A.，密度估计和分类的数据驱动直方图方法的一致性，Ann.Statist。，24, 2, 687-706 (1996) ·Zbl 0859.62040号
[16] 卢戈西，G。；Zeger，K.，通过经验风险最小化进行非参数估计，IEEE Trans。通知。理论，41，3，677-687（1995）·Zbl 0818.62041号
[17] 出版社，W.H。；Teukolsky，S.A。；韦特林，W.T。；Flannery，B.P.，243-262（1992），剑桥大学出版社：剑桥大学出版社，马萨诸塞州剑桥·Zbl 0778.65003号
[18] 昆兰，J.R.，C4。5：机器学习编程，摩根考夫曼，48（1993）
[19] 萨卡，A。；Mammone，R.J.，生长和修剪神经树网络，IEEE Trans。计算。，42, 3, 291-299 (1993)
[20] Sethi，I.K.，《熵网：从决策树到神经网络》，Proc。IEEE，78，10，1605-1613（1990）
[21] Sirat，J。；Nadal，J.，《神经树：一种新的分类工具》，网络：计算。神经系统。，1, 4, 423-438 (1990)
[22] 蔡，C.C。；卢，M.C。；Wei，C.C.，基于决策树的分类器与基于神经的预报器相结合，用于台风期间河流流域的水位预测：台湾的案例研究，环境。工程科学。，29, 2, 108-116 (2012)
[23] 杨，Y。；莫利略，I.G。；Hospedales，T.M.，深度神经决策树（2018），arXiv预印本arXiv:1806.06988
[24] Yu，L。；Liu，H.，通过相关性和冗余分析进行有效特征选择，J.Mach。学习。决议，1205-1224年10月5日（2004年）·Zbl 1222.68340号
[25] 周，Z.H。；吴杰。；Tang，W.，《集成神经网络：许多人可能比所有人都好》，《人工智能》，137，1-2，239-263（2002）·Zbl 0995.68077号
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。