Podejście wielomodelowe dotychczas z dużym powodzeniem stosowane było w dyskryminacji
w celu podniesienia dokładności klasyfikacji. W ostatnich latach analogiczne propozycje pojawiły się
w taksonomii, aby zapewnić większą poprawność i stabilność wyników grupowania Liczne badania
wykazały, że agregacja różniących się między sobą wyników wielokrotnego grupowania, pozwala na
poprawę dokładności klasyfikacji.
Stabilność algorytmu taksonomicznego w odniesieniu do niewielkich zmian w zbiorze danych, czy
też parametrów algorytmu jest pożądaną cechą algorytmu. Z drugiej jednak strony, podejście
wielomodelowe czerpie korzyści ze zróżnicowanych klasyfikacji składowych, których połączenie
przynosi bardziej dokładne i stabilne rozwiązanie niż pojedynczy algorytm.
Głównym punktem zainteresowania tego badania była stabilność w podejściu zagregowanym
w taksonomii. Przeprowadzone badania empiryczne pokazały, że podejście zagregowane daje bardziej
stabilne rezultaty niż pojedyncze algorytmy taksonomiczne oraz, że często wyższa stabilność idzie
w parze z wyższą dokładnością klasyfikacji w podejściu zagregowanym.
Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies
Informacja
SZANOWNI CZYTELNICY!
UPRZEJMIE INFORMUJEMY, ŻE BIBLIOTEKA FUNKCJONUJE W NASTĘPUJĄCYCH GODZINACH:
Wypożyczalnia i Czytelnia Główna: poniedziałek – piątek od 9.00 do 19.00