ALGORITHM OF PRUNING OF HYBRID NEURAL NETWORKS ENSEMBLE
Наукові журнали НАУ
Переглянути архів Інформація| Поле | Співвідношення | |
| Title |
ALGORITHM OF PRUNING OF HYBRID NEURAL NETWORKS ENSEMBLE
Алгоритм упрощения гибридных нейронных сетей Алгоритм спрощення гібридних нейронних мереж |
|
| Creator |
Chumachenko, O. I.; Національний технічний університет України «Київський політехнічний інститут ім. Ігоря Сікорського», Київ, Україна
Kuzmenko, A. O.; Кафедра авіаційних комп’ютерно-інтегрованих комплексів Студентка 6-го курсу |
|
| Subject |
Ensemble pruning; bagging; accuracy; diversity
UDC 004.855 (045) Упрощение ансамбля; беггинг; точность; разнообразие УДК 004.855 (045) Спрощення ансамблю; беггінг; точність; різноманітність. УДК 004.855 (045) |
|
| Description |
Despite the fact that the ensemble is usually more accurate than a single network, existing ensemble techniques tend to create unreasonably large ensembles that increase the use of memory and computation costs. The ensemble's pruning solves this problem. The article analyzes the compromise between accuracy and diversity and it is proved that classifiers, which are more accurate and make more predictions in the minority group, are more important for the construction of the subensemble. A metric that takes into account accuracy and diversity is proposed to evaluate the contribution of a separate classifier that will help to allocate the required number of networks with the best results.
Показано что ансамбль, как правило, более точный, чем единичная сеть, существующие ансамблевые методы, зачастую создают неоправданно большие ансамбли, которые увеличивают использование памяти и вычислительные затраты. Упрощение ансамбля решает эту проблему. Проанализирован компромисс между точностью и разнообразием и доказано, что классификаторы, которые являются более точными и делают более точные прогнозов в группе меньшинства, более важны для построения подансамбля. Предложена метрика, которая учитывает точность и разнообразие, чтобы оценить вклад отдельного классификатора в ансамбль. Это позволяет выделить необходимое количество сетей с лучшими результатами и включить их в ансамбль. Показано що ансамбль, зазвичай, більш точний, ніж одинична мережа, існуючі ансамблеві методи, однак, як правило, створюють невиправдано великі ансамблі, які збільшують використання пам'яті та обчислювальні витрати. Спрощення ансамблю вирішує цю проблему. Проаналізовано компроміс між точністю і різноманітністю і доведено, що класифікатори, які є більш точними і роблять більш точні прогнозів у групі меншості, більш важливі для побудови підансамблю. Запропоновано метрику, яка враховує точність і різноманітність, щоб оцінити вклад окремого класифікатора в ансамбль. Це дозволяє виділити необхідну кількість мереж з найкращими результатами і включити їх в ансамбль. |
|
| Publisher |
National Aviation University
|
|
| Contributor |
—
— — |
|
| Date |
2018-06-07
|
|
| Type |
—
— — |
|
| Format |
application/pdf
|
|
| Identifier |
http://jrnl.nau.edu.ua/index.php/ESU/article/view/12772
10.18372/1990-5548.55.12772 |
|
| Source |
Electronics and Control Systems; Том 1, № 55 (2018); 53-56
Электроника и системы управления; Том 1, № 55 (2018); 53-56 Електроніка та системи управління; Том 1, № 55 (2018); 53-56 |
|
| Language |
en
|
|