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:
Introduction Kapitel lesen Erstes Kapitel lesen

2016 | OriginalPaper | Buchkapitel

6. Ensemble Learning Approaches

verfasst von : Han Liu, Alexander Gegov, Mihaela Cocea

Erschienen in: Rule Based Systems for Big Data

Verlag: Springer International Publishing

Einloggen

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

search-config
loading …

Abstract

As mentioned in Chap. 1, ensemble learning is helpful to improve overall accuracy of classification. This chapter introduces three approaches of ensemble learning namely, parallel learning, sequential learning and hybrid learning. In particular, some popular methods for ensemble learning, such as Bagging and Boosting, are illustrated in detail. These methods are also discussed comparatively with respects to their advantages and disadvantages.

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 Representation of Classification Rules
Nächstes Kapitel Interpretability Analysis
Literatur
1.
2.
Kononenko, I., Kukar, M.: Machine Learning and Data Mining: Introduction to Principles and Algorithms, Chichester. Horwood Publishing Limited, West Sussex (2007)CrossRef
3.
Tan, P.N., Steinbach, M., Kumar, V.: Introduction to Data Mining. Pearson Education Inc, New Jersey (2006)
4.
5.
Li, J., Wong, L.: Rule based data mining methods for classification problems in biomedical domains. In: 15th European Conference on Machine Learning and 8th European Conference on Principles and Practice of Knowledge Discovery in Databases, Pisa (2004)
6.
Liu, H., Gegov, A.: Collaborative decision making by ensemble rule based classification systems. In: Pedrycz, W., Chen, S. (eds.) Granular Computing and Decision-Making: Interactive and Iterative Approaches, vol. 10, pp. 245–264. Springer, (2015)
7.
Freund, Y., Schapire, R.E.: A short introduction to boosting. J. Japan. Soc. Artif. Intell. 14(5), 771–780 (1999)
8.
Freund, Y., Schapire, R.E.: A decision-theoretic generalization of on-line learning and an application to boosting. J. Comput. Syst. Sci. 55(1), 119–139 (1997)MATHMathSciNetCrossRef
9.
Freund, Y., Schapire, R.E.: Experiments with a new boosting algorithm. In: Machine Learning: Proceedings of the Thirteenth International Conference, Bari (1996)
10.
Liu, H., Gegov, A., Cocea, M.: Hybrid ensemble learning approach for generation of classification rules. In: International Conference on Machine Learning and Cybernetics, Guangzhou (2015)
Metadaten
Titel
Ensemble Learning Approaches
verfasst von
Han Liu
Alexander Gegov
Mihaela Cocea
Copyright-Jahr
2016
Buch
Rule Based Systems for Big Data

Print ISBN: 978-3-319-23695-7

Electronic ISBN: 978-3-319-23696-4

Copyright-Jahr: 2016

DOI
https://doi.org/10.1007/978-3-319-23696-4_6