Gain ratio weighted inverted specific-class distance measure for nominal attributes
Gain ratio weighted inverted specific-class distance measure for nominal attributes
复制标题
标称属性的增益比加权反向特定类距离度量
DOI：
10.1007/s13042-020-01112-8
复制
发表时间：
2020-03
影响因子：
5.6
通讯作者：
Guo Xingfeng
中科院分区：
文献类型：
--
作者：
Gong Fang;Jiang Liangxiao;Zhang Huan;Wang Dianhong;Guo Xingfeng
增强距离度量是提高许多机器学习算法（如基于实例的学习算法）性能的关键。虽然逆特定类距离度量（ISCDM）是处理训练集中存在缺失值和非类属性噪声的名义属性的性能最好的距离度量之一，但这仍然需要属性独立性假设。显然，ISCDM所要求的属性独立性假设在现实中很少是正确的，这损害了它在具有复杂属性依赖的应用程序中的性能。因此，在本研究中，我们提出了一种改进的ISCDM，利用属性加权来规避属性独立性假设。在改进的ISCDM中，我们简单地将每个属性的权重定义为其增益比。因此，我们将改进的ISCDM表示为增益比加权ISCDM（简称GRWISCDM）。我们在加州大学欧文分校的29个数据集上对GRWISCDM进行了实验测试，发现它在负条件对数似然和根相对平方误差方面明显优于原始的ISCDM和其他一些最先进的竞争对手。
Enhancing distance measures is key to improving the performances of many machine learning algorithms, such as instance-based learning algorithms. Although the inverted specific-class distance measure (ISCDM) is among the top performing distance measures addressing nominal attributes with the presence of missing values and non-class attribute noise in the training set, this still requires the attribute independence assumption. It is obvious that the attribute independence assumption required by the ISCDM is rarely true in reality, which harms its performance in applications with complex attribute dependencies. Thus, in this study we propose an improved ISCDM by utilizing attribute weighting to circumvent the attribute independence assumption. In our improved ISCDM, we simply define the weight of each attribute as its gain ratio. Thus, we denote our improved ISCDM as the gain ratio weighted ISCDM (GRWISCDM for short). We tested the GRWISCDM experimentally on 29 University of California at Irvine datasets, and found that it significantly outperforms the original ISCDM and some other state-of-the-art competitors in terms of the negative conditional log likelihood and root relative squared error.
登录
查看更多内容
朴素贝叶斯的类特定属性值加权
影响因子：
8.1
作者：
Zhang Huan;Jiang Liangxiao;Yu Liangjun
通讯作者：
Yu Liangjun
局部值差异度量
影响因子：
5.1
作者：
Li, Chaoqun;Jiang, Liangxiao;Li, Hongwei
通讯作者：
Li, Hongwei
DOI：
--
发表时间：
2014
期刊：
Journal of management science
影响因子：
--
作者：
อนิรุธ สืบสิงห์
通讯作者：
อนิรุธ สืบสิงห์
分类并不总是简单：学习 SuperParent 进行类概率估计
影响因子：
8.5
作者：
Qiu, chen;Jiang, Liangxiao;Li, Chaoqun
通讯作者：
Li, Chaoqun
DOI：
10.1109/tsmc.2018.2828018
发表时间：
2020-04
期刊：
IEEE Transactions on Systems, Man, and Cybernetics: Systems
影响因子：
--
作者：
Wenyin Gong;Yong Wang;Z. Cai;Ling Wang
通讯作者：
Wenyin Gong;Yong Wang;Z. Cai;Ling Wang