| Identifikační kód | RIV/00216224:14330/12:00059330 |
|---|
| Název v anglickém jazyce | Very Fast Decision Rules for Multi-class Problems |
|---|
| Druh | D - Článek ve sborníku |
|---|
| Jazyk | eng - angličtina |
|---|
| Obor - skupina | I - Informatika |
|---|
| Obor | IN - Informatika |
|---|
| Rok uplatnění | 2012 |
|---|
| Kód důvěrnosti údajů | S - Úplné a pravdivé údaje o výsledku nepodléhající ochraně podle zvláštních právních předpisů. |
|---|
| Počet výskytů výsledku | 1 |
|---|
| Počet tvůrců celkem | 2 |
|---|
| Počet domácích tvůrců | 1 |
|---|
| Výčet všech uvedených jednotlivých tvůrců | Petr Kosina (státní příslušnost: CZ - Česká republika, domácí tvůrce: A, vedidk: 5283485)
Jo?o Gama (státní příslušnost: PT - Portugalská republika) |
|---|
| Popis výsledku v anglickém jazyce | Decision rules are one of the most interpretable and flexible models for data mining prediction tasks. Till now, few works presented on-line, any-time and one-pass algorithms for learning decision rules in the stream mining scenario. A quite recent algorithm, the Very Fast Decision Rules (VFDR), learns set of rules, where each rule discriminates one class from all the other. In this work we extend the VFDR algorithm by decomposing a multi-class problem into a set of two-class problems and inducing a setof discriminative rules for each binary problem. The proposed algorithm maintains all properties required when learning from stationary data streams: on-line and any-time classifiers, processing each example once. Moreover, it is able to learn ordered and unordered rule sets. The new approach is evaluated on various real and artificial datasets. The new algorithm improves the performance of the previous version and is competitive with the state-of-the-art decision tree learning method f |
|---|
| Klíčová slova oddělená středníkem | Data Streams; Classification; Rule Learning |
|---|
| Stránka www, na které se nachází výsledek | - |
|---|