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:
Frequent Sets Discovery in Privacy Preserving Quantitative Association Rules Mining Kapitel lesen Erstes Kapitel lesen

2015 | OriginalPaper | Buchkapitel

Input Filters Implementing Diversity in Ensemble of Neural Networks

verfasst von : Eva Volna, Martin Kotyrba, Vaclav Kocian

Erschienen in: Hybrid Artificial Intelligent Systems

Verlag: Springer International Publishing

Einloggen

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

search-config
loading …

Abstract

This paper discusses possibilities how to use input filters to improve performance in ensemble of neural-networks-based classifiers. The proposed method is based on filtering of input vectors in the used training set, which minimize demands on data preprocessing. Our approach comes out from a technique called boosting, which is based on the principle of combining a large number of so-called weak classifiers into a strong classifier. In the experimental study, we verified that such classifiers are able to sufficiently classify the submitted data into predefined classes without knowledge of details of their significance.

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 Modified Wind Driven Optimization Model for Global Continuous Optimization
Nächstes Kapitel Learning-Based Multi-agent System for Solving Combinatorial Optimization Problems: A New Architecture
Literatur
1.
2.
Fausett, L.V.: Fundamentals of Neural Networks. Prentice-Hall Inc., Englewood Cliffs (1994)MATH
3.
Iwakura, T., Okamoto, S., Asakawa, K.: An adaboost using a weak-learner generating several weak hypotheses for large training data of natural language processing. IEEJ Trans. Electron. Inf. Syst. 130, 83–91 (2010)
4.
Kocian, V., Volná, E.: Ensembles of neural-networks-based classifiers. In: Proceedings of the 18th International Conference on Soft Computing, Mendel 2012, Brno, pp. 256–261 (2012)
5.
6.
Rokach, L.: Ensemble-based classifiers. Artif. Intell. Rev. 33(1-2), 1–39 (2010)
7.
Schapire, R.E.: A brief introduction to boosting. In: Proceedings of IJCAI 1999, pp. 1401–1406. Morgan Kaufmann Publishers Inc., San Francisco (1999)
8.
Volna, E., Kocian, V., Kotyrba, M.: Boosting of neural networks over MNIST data. In: Proceedings of NCTA 2014, pp. 256–263. SCITEPRESS, Portugal (2014)
9.
Wang, J., Yang, J., Li, S., Dai, Q., Xie, J.: Number image recognition based on neural network ensemble. In: Proceedings of the Third International Conference on Natural Computation, vol. 1. IEEE Computer Society (2007)
10.
Yao, Y., Fu, Z., Zhao, X., Cheng, W.: Combining classifier based on decision tree. In: ICIE, 2009 WASE International Conference on Information Engineering, vol. 2, pp. 37–40 (2009)
Metadaten
Titel
Input Filters Implementing Diversity in Ensemble of Neural Networks
verfasst von
Eva Volna
Martin Kotyrba
Vaclav Kocian
Copyright-Jahr
2015
Buch
Hybrid Artificial Intelligent Systems

Print ISBN: 978-3-319-19643-5

Electronic ISBN: 978-3-319-19644-2

Copyright-Jahr: 2015

DOI
https://doi.org/10.1007/978-3-319-19644-2_26