NAU Harvester System
Алгоритм спрощення гібридних нейронних мереж
Наукові журнали Національного Авіаційного Університету
View Archive Info| Field | Value | |
| Title |
Алгоритм спрощення гібридних нейронних мереж
ALGORITHM OF PRUNING OF HYBRID NEURAL NETWORKS ENSEMBLE Алгоритм упрощения гибридных нейронных сетей |
|
| 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 |
Спрощення ансамблю; беггінг; точність; різноманітність.
УДК 004.855 (045) Ensemble pruning; bagging; accuracy; diversity UDC 004.855 (045) Упрощение ансамбля; беггинг; точность; разнообразие УДК 004.855 (045) |
|
| Description |
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.
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. |
|
| 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
|
|
| Rights |
Authors who publish with this journal agree to the following terms:Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access).
|
|