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
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Harnessing Background Knowledge for E-Learning Recommendation Kapitel lesen Erstes Kapitel lesen

2016 | OriginalPaper | Buchkapitel

Experiments with High Performance Genetic Programming for Classification Problems

verfasst von : Darren M. Chitty

Erschienen in: Research and Development in Intelligent Systems XXXIII

Verlag: Springer International Publishing

Einloggen

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

search-config
loading …

Abstract

In recent years there have been many papers concerned with significantly improving the computational speed of Genetic Programming (GP) through exploitation of parallel hardware. The benefits of timeliness or being able to consider larger datasets are obvious. However, a question remains in whether there are wider benefits of this high performance GP approach. Consequently, this paper will investigate leveraging this performance by using a higher degree of evolution and ensemble approaches in order to discern if any improvement in classification accuracies can be achieved from high performance GP thereby advancing the technique itself.

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 Context-Dependent Pattern Simplification by Extracting Context-Free Floating Qualifiers
Nächstes Kapitel Towards Expressive Modular Rule Induction for Numerical Attributes
Literatur
1.
Koza, J.R.: Genetic programming (1992)
2.
Chitty, D.M.: A data parallel approach to genetic programming using programmable graphics hardware. In: Proceedings of the 9th Annual Conference on Genetic and Evolutionary Computation GECCO ’07, pp. 1566–1573 (2007)
3.
Chitty, D.M.: Faster GPU-based genetic programming using a two-dimensional stack. Soft Comput. 1–20 (2016)
4.
Chitty, D.: Fast parallel genetic programming: multi-core CPU versus many-core GPU. Soft Comput. 16(10), 1795–1814 (2012)CrossRef
5.
Frank, A., Asuncion, A.: UCI machine learning repository (2010)
6.
Breiman, L.: Bagging predictors. Mach. Learn. 24(2), 123–140 (1996)MATH
7.
Espejo, P.G., Ventura, S., Herrera, F.: A survey on the application of genetic programming to classification. IEEE Trans. Syst. Man Cybern. Part C 40(2), 121–144 (2010)CrossRef
8.
Zhang, Y., Bhattacharyya, S.: Genetic programming in classifying large-scale data: an ensemble method. Inf. Sci. 163(1), 85–101 (2004)
9.
Bhowan, U., Johnston, M., Zhang, M., Yao, X.: Evolving diverse ensembles using genetic programming for classification with unbalanced data. Evol. Comput. IEEE Trans. 17(3), 368–386 (2013)CrossRef
10.
Folino, G., Pizzuti, C., Spezzano, G.: Ensemble techniques for parallel genetic programming based classifiers. In: Genetic Programming, pp. 59–69. Springer (2003)
11.
Brameier, M., Banzhaf, W.: Evolving teams of predictors with linear genetic programming. Genet. Program Evolvable Mach. 2(4), 381–407 (2001)CrossRefMATH
12.
Liu, K.H., Xu, C.G.: A genetic programming-based approach to the classification of multiclass microarray datasets. Bioinformatics 25(3), 331–337 (2009)CrossRef
13.
Keijzer, M., Babovic, V.: Genetic programming, ensemble methods and the bias/variance tradeoff–introductory investigations. In: Genetic Programming, pp. 76–90. Springer (2000)
Metadaten
Titel
Experiments with High Performance Genetic Programming for Classification Problems
verfasst von
Darren M. Chitty
Copyright-Jahr
2016
Buch
Research and Development in Intelligent Systems XXXIII

Print ISBN: 978-3-319-47174-7

Electronic ISBN: 978-3-319-47175-4

Copyright-Jahr: 2016

DOI
https://doi.org/10.1007/978-3-319-47175-4_15