Modele de ensemble maxi pagne

On peut voir que pour K-NN l`amélioration de la précision est aussi élevé que 30%. Il s`agit d`une augmentation significative de la précision et montre l`efficacité du modèle GMC. Pour d`autres algorithmes tels que la prise de décision ou la régression logistique, l`augmentation de la précision de classement varie entre 1% et 3%. Bien que cela puisse indiquer les allées courtes du modèle GMC, mais ce n`est pas le cas en réalité. Au cours de l`expérimentation, il a été noté que pour certaines techniques surveillées telles que la prise de décision, la précision du classificateur était déjà très élevée (90% ou plus); par conséquent, la possibilité d`améliorer encore le classificateur était plutôt limitée. Ainsi, dans ce cas, le modèle GMC ne pouvait qu`augmenter la précision d`une petite quantité. Par exemple, dans le cas de la prise de décision, le modèle GMC a augmenté la précision moyenne de 91,1% à 93,2%. Toutefois, pour d`autres algorithmes d`apprentissage supervisés, il existait un écart important dans lequel la précision du classificateur peut être augmentée. Cela explique l`augmentation significative de la précision du classifieur dans les algorithmes tels que K-NN. Ainsi, bien que le modèle GMC dépend de l`algorithme en termes de la précision du classifieur peut être améliorée, mais il a dans tous les cas augmenté la précision du classifieur. Afin de résoudre les questions de base des problèmes d`apprentissage supervisés comme la réduction de la dimensionnalité, le compromis du biais-variance et le bruit, nous avons utilisé le concept de modèles d`ensemble pour concevoir un modèle d`ensemble global optimisé pour les méthodes de classification (GMC). Le modèle a été conçu en couches avec chaque couche de résoudre l`un des problèmes de base de l`apprentissage supervisé. Nous avons prouvé par l`expérimentation que si les classificateurs sont enfermés dans notre modèle là, la précision s`améliore de 1% à 30% en fonction de la complexité de l`algorithme et de sa capacité de gérer le biais et la variance.

Notre modèle a donné de meilleurs résultats que lorsque les classificateurs ont été utilisés seuls ou en combinaison. Conception d`un modèle d`ensemble d`optimisation globale pour les méthodes de classification (GMC). L`application de modèles empilés à des problèmes réels de Big Data peut produire une plus grande précision de prédiction et une meilleure robustesse que les modèles individuels.

This entry was posted in Uncategorized by Admin. Bookmark the permalink.