This HTML5 document contains 43 embedded RDF statements represented using HTML+Microdata notation.

The embedded RDF content will be recognized by any processor of HTML5 Microdata.

Namespace Prefixes

Prefix	IRI
n20	http://linked.opendata.cz/ontology/domain/vavai/riv/typAkce/
dcterms	http://purl.org/dc/terms/
n17	http://purl.org/net/nknouf/ns/bibtex#
n10	http://localhost/temp/predkladatel/
n21	http://linked.opendata.cz/resource/domain/vavai/riv/tvurce/
n14	http://linked.opendata.cz/ontology/domain/vavai/
n4	http://linked.opendata.cz/resource/domain/vavai/vysledek/RIV%2F68407700%3A21340%2F08%3A04150956%21RIV09-MSM-21340___/
n18	http://linked.opendata.cz/resource/domain/vavai/zamer/
n11	https://schema.org/
s	http://schema.org/
skos	http://www.w3.org/2004/02/skos/core#
n3	http://linked.opendata.cz/ontology/domain/vavai/riv/
n2	http://linked.opendata.cz/resource/domain/vavai/vysledek/
rdf	http://www.w3.org/1999/02/22-rdf-syntax-ns#
n7	http://linked.opendata.cz/ontology/domain/vavai/riv/klicoveSlovo/
n16	http://linked.opendata.cz/ontology/domain/vavai/riv/duvernostUdaju/
xsdh	http://www.w3.org/2001/XMLSchema#
n19	http://linked.opendata.cz/ontology/domain/vavai/riv/aktivita/
n12	http://linked.opendata.cz/ontology/domain/vavai/riv/jazykVysledku/
n13	http://linked.opendata.cz/ontology/domain/vavai/riv/obor/
n8	http://linked.opendata.cz/ontology/domain/vavai/riv/druhVysledku/
n9	http://reference.data.gov.uk/id/gregorian-year/

Statements

Subject Item

n2:RIV%2F68407700%3A21340%2F08%3A04150956%21RIV09-MSM-21340___

rdf:type

skos:Concept n14:Vysledek

dcterms:description

Spojování klasifikátorů je metoda pro zlepšení kvality klasifikace - místo používání jednoho klasifikátoru je vytvořen tým klasifikátorů a výstupy jednotlivých klasifikátorů jsou poté agregovány pro získání finální predikce. Většina metod pro agregaci klasifikátorů je statická, tj. agregace se nepřizpůsobuje konkrétním klasifikovaným vzorům. V tomto článku popíšeme dynamické systémy klasifikátorů, které používají koncept dynamické konfidence klasifikace, aby se přizpůsobily konkrétnímu vzoru. Výsledky experimentů na 4 umělých a 4 reálných datových množinách ukazují, že dynamické systémy mohou dosahovat signifikantně lepších výsledků než statické systémy. Classifier aggregation is a method for improving quality of classification -- instead of using just one classifier, a team of classifiers is created, and the outputs of the individual classifiers are aggregated into the final prediction. Common methods for classifier aggregation are static, i.e., they do not adapt to the currently classified pattern. In this paper, we introduce a formalism of dynamic classifier systems, which use the concept of dynamic classification confidence to dynamically adapt to the currently classified pattern. Results of experiments with quadratic discriminant classifiers on four artificial and four real-world benchmark datasets show that dynamic classifier systems can significantly outperform static classifier systems. Classifier aggregation is a method for improving quality of classification -- instead of using just one classifier, a team of classifiers is created, and the outputs of the individual classifiers are aggregated into the final prediction. Common methods for classifier aggregation are static, i.e., they do not adapt to the currently classified pattern. In this paper, we introduce a formalism of dynamic classifier systems, which use the concept of dynamic classification confidence to dynamically adapt to the currently classified pattern. Results of experiments with quadratic discriminant classifiers on four artificial and four real-world benchmark datasets show that dynamic classifier systems can significantly outperform static classifier systems.

dcterms:title

Static vs. Dynamic Classifier Systems in Classifier Aggregation Static vs. Dynamic Classifier Systems in Classifier Aggregation Porovnání statické a dynamické agregace klasifikátorů

skos:prefLabel

Static vs. Dynamic Classifier Systems in Classifier Aggregation Porovnání statické a dynamické agregace klasifikátorů Static vs. Dynamic Classifier Systems in Classifier Aggregation

skos:notation

RIV/68407700:21340/08:04150956!RIV09-MSM-21340___

n3:aktivita

n19:Z

n3:aktivity

Z(MSM6840770039)

n3:dodaniDat

n9:2009

n3:domaciTvurceVysledku

n21:6506984

n3:druhVysledku

n8:D

n3:duvernostUdaju

n16:S

n3:entitaPredkladatele

n4:predkladatel

n3:idSjednocenehoVysledku

397265

n3:idVysledku

RIV/68407700:21340/08:04150956

n3:jazykVysledku

n12:eng

n3:klicovaSlova

classification confidence; classifier aggregation; classifier combining; ensemble methods

n3:klicoveSlovo

n7:classification%20confidence n7:classifier%20combining n7:ensemble%20methods n7:classifier%20aggregation

n3:kontrolniKodProRIV

[368BF4B1C6E7]

n3:mistoKonaniAkce

Praha

n3:mistoVydani

Praha

n3:nazevZdroje

Doktorandské dny 2008

n3:obor

n13:BA

n3:pocetDomacichTvurcuVysledku

1

n3:pocetTvurcuVysledku

1

n3:rokUplatneniVysledku

n9:2008

n3:tvurceVysledku

Štefka, David

n3:typAkce

n20:CST

n3:zahajeniAkce

2008-11-07+01:00

n3:zamer

n18:MSM6840770039

s:numberOfPages

11

n17:hasPublisher

Česká technika - nakladatelství ČVUT

n11:isbn

978-80-01-04195-6

n10:organizacniJednotka

21340