Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
MTZ-Fachkongress

Antriebe und Energiesysteme von morgen


Austausch von Automobil- und Energiewirtschaft

Am 14./15. Mai geht es in Chemnitz um die Mobilitätswende durch Elektro- und Wasserstofffahrzeuge.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
An Evidential Collaborative Filtering Approach Based on Items Contents Clustering Kapitel lesen Erstes Kapitel lesen

2018 | OriginalPaper | Buchkapitel

An Evidential K-Nearest Neighbor Classifier Based on Contextual Discounting and Likelihood Maximization

verfasst von : Orakanya Kanjanatarakul, Siwarat Kuson, Thierry Denoeux

Erschienen in: Belief Functions: Theory and Applications

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

The evidential K nearest neighbor classifier is based on discounting evidence from learning instances in a neighborhood of the pattern to be classified. To adapt the method to partially supervised data, we propose to replace the classical discounting operation by contextual discounting, a more complex operation based on as many discount rates as classes. The parameters of the method are tuned by maximizing the evidential likelihood, an extended notion of likelihood based on uncertain data. The resulting classifier is shown to outperform alternative methods in partially supervised learning tasks.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel A Decomposable Entropy of Belief Functions in the Dempster-Shafer Theory
Nächstes Kapitel Measuring Market Performance with Stochastic Demand: Price of Anarchy and Price of Uncertainty
Fußnoten
Literatur
1.
Côme, E., Oukhellou, L., Denœux, T., Aknin, P.: Learning from partially supervised data using mixture models and belief functions. Pattern Recogn. 42(3), 334–348 (2009)CrossRef
2.
Denœux, T.: A \(k\)-nearest neighbor classification rule based on Dempster-Shafer theory. IEEE Trans. Syst. Man Cybern. 25(05), 804–813 (1995)CrossRef
3.
Denœux, T.: Maximum likelihood estimation from uncertain data in the belief function framework. IEEE Trans. Knowl. Data Eng. 25(1), 119–130 (2013)CrossRef
4.
Denœux, T., Zouhal, L.M.: Handling possibilistic labels in pattern classification using evidential reasoning. Fuzzy Sets Syst. 122(3), 47–62 (2001)MathSciNetCrossRef
5.
Guettari, N., Capelle-Laizé, A.S., Carré, P.: Blind image steganalysis based on evidential k-nearest neighbors. In: 2016 IEEE International Conference on Image Processing (ICIP), pp. 2742–2746, September 2016
6.
Lian, C., Ruan, S., Denœux, T.: An evidential classifier based on feature selection and two-step classification strategy. Pattern Recogn. 48, 2318–2327 (2015)CrossRef
7.
Lian, C., Ruan, S., Denœux, T.: Dissimilarity metric learning in the belief function framework. IEEE Trans. Fuzzy Syst. 24(6), 1555–1564 (2016)CrossRef
8.
Liu, Z.-G., Pan, Q., Dezert, J.: A new belief-based K-nearest neighbor classification method. Pattern Recogn. 46(3), 834–844 (2013)CrossRef
9.
Mercier, D., Quost, B., Denœux, T.: Refined modeling of sensor reliability in the belief function framework using contextual discounting. Inf. Fusion 9(2), 246–258 (2008)CrossRef
10.
Pichon, F., Mercier, D., Lefèvre, E., Delmotte, F.: Proposition and learning of some belief function contextual correction mechanisms. Int. J. Approx. Reason. 72, 4–42 (2016)MathSciNetCrossRef
11.
Quost, B., Denœux, T., Li, S.: Parametric classification with soft labels using the evidential em algorithm: linear discriminant analysis versus logistic regression. Adv. Data Anal. Classif. 11(4), 659–690 (2017)MathSciNetCrossRef
12.
Shafer, G.: A Mathematical Theory of Evidence. Princeton University Press, Princeton (1976)MATH
13.
14.
Su, Z.-G., Denoeux, T., Hao, Y.-S., Zhao, M.: Evidential K-NN classification with enhanced performance via optimizing a class of parametric conjunctive t-rules. Knowl.-Based Syst. 142, 7–16 (2018)CrossRef
15.
Zouhal, L.M., Denœux, T.: An evidence-theoretic \(k\)-NN rule with parameter optimization. IEEE Trans. Syst. Man Cybern. C 28(2), 263–271 (1998)CrossRef
Metadaten
Titel
An Evidential K-Nearest Neighbor Classifier Based on Contextual Discounting and Likelihood Maximization
verfasst von
Orakanya Kanjanatarakul
Siwarat Kuson
Thierry Denoeux
Copyright-Jahr
2018
Buch
Belief Functions: Theory and Applications

Print ISBN: 978-3-319-99382-9

Electronic ISBN: 978-3-319-99383-6

Copyright-Jahr: 2018

DOI
https://doi.org/10.1007/978-3-319-99383-6_20

Premium Partner

    Bildnachweise