Temat: AdaBoost - Prolib Integro

Skocz do pozycji: 1.

Tytuł:: Wykorzystanie techniki AdaBoost w modelach opartych na regresji z wykorzystaniem sztucznej inteligencji
Use of AdaBoost technique in regression based models using artificial intelligence
Autorzy:: Wołoszyn, Jacek
Tematy:: AdaBoost
sztuczna inteligencja
artificial intelligence; Pokaż więcej
Wydawca:: Uniwersytet Rzeszowski
Powiązania:: https://bibliotekanauki.pl/articles/445996.pdf Link otwiera się w nowym oknie
Opis:: Artykuł opisuje wykorzystanie sztucznej inteligencji w obliczeniach regresyjnych. Modele zbudowane w sposób tradycyjny oparte na klasycznych założeniach dostarczają możliwie precy-zyjnych informacji. Sam proces budowy modelu opiera się na wstępnym wyborze zmiennych wykorzystanych do jego tworzenia. Umiejętna selekcja zmiennych ma istotny wpływ na uzyskane parametry. Wykorzystując rozwiązanie przedstawione w tej pracy otrzymujemy model ze wstępnie dobranym optymalnym zbiorem treningowym. W kolejnych rozdziałach omówiono istotę analityki predykcyjnej, proces uczenia maszyno-wego, budowę drzewa decyzyjnego, pokazano przykład regresji wykorzystującego AdaBoost.
This article describes the use of artificial intelligence in regression calculations. Models built in a traditional manner based on classical assumptions provide the most precise information possi-ble. The model building process itself is based on the initial selection of variables used to create it. Skillful selection of variables has a significant impact on the obtained parameters. Using the solu-tion presented in this work, we get a model with a pre-selected optimal training set. The following chapters discuss the essence of predictive analytics, the machine learning pro-cess, the construction of a decision tree, an example of regression using AdaBoost.
Dostawca treści:: Biblioteka Nauki

Artykuł

na półce

Skocz do pozycji: 2.

Tytuł:: Boosting algorithm AdaBoost and its generalization in function space
Algorytm boostingowy "AdaBoost" oraz jego uogólnienie na przestrzeni funkcyjnej
Autorzy:: Więcek, Małgorzata
Opis:: Boosting jest metodą uczenia maszynowego służącą do zwiększania skuteczności dowolnego algorytmu, umożliwiającą klasyfikowanie danych z większą dokładnością. W pracy omówione zostały teoretyczne podstawy działania tytułowego algorytmu, udowodniona została zbieżność błędu klasyfikacji, a zagadnienia teoretyczne zostały zestawione z rzeczywistymi danymi, co pozwoliło na ocenę skuteczności algorytmu. Wprowadzone zostało również uogólnienie omawianego algorytmu na przestrzeni funkcyjnej i dowody zbieżności uogólnionej wersji algorytmu nazywanej AnyBoost.
Boosting is a machine learning algorithm which is used to improve classification accuracy of any learning method. In master thesis there are presented theoretical bases of AdaBoost algorithm and theorem with its proof for convergence of training error of the output hypothesis. Moreover, theory is compared with real data and conclusions from these results are also presented. In addition, generalization of AdaBoost in function space called AnyBoost is given.
Dostawca treści:: Repozytorium Uniwersytetu Jagiellońskiego

Inne

na półce

Skocz do pozycji: 3.

Tytuł:: Wybrane metody klasyfikacyjne
Some methods of classification
Autorzy:: Kozakiewicz, Bartłomiej
Opis:: Informatyzacja oraz cyfryzacja zycia codziennego, które dokonały sie pod koniec XX i na poczatku XXI wieku spowodowały powstanie olbrzymich zbiorów danych (populacja klientów, tresci wyszukiwane, przesyłane w sieci). Bardzo czesto obecne systemy informatyczne (programisci) staja przed problemem klasyfikacji ów danych (przyporzadkowanie ich do własciwej kategorii). Owe problemy wymusiły rozwój metod klasyfikacji przy uzyciu statystyki. Klasyfikacja jest dzis szeroko wykorzystywana w swiecie nauki, biznesu, przemysłu czy medycyny. Klasyfikacja polega na mozliwie najlepszym rozdzieleniu obserwacji z róznych populacji. W pracy zostana zaprezentowane teoretyczne podstawy pieciu metod klasyfikacji. Rozdział pierwszy został oparty na notatkach własnych z wykładów oraz ksiazce "Rachunek prawdopodobienstwa dla (prawie) kazdego" autorów J. Jakubowski, R. Sztencel. Przedstawione zostały podstawowe zagadnienia rachunku prawdopodobienstwa i statystyki, niezbedne do zrozumienia problemu klasyfikacji. Kolejna czesc to wprowadzenie do metod klasyfikacji, w której przedstawione zostało zagadnienie klasyfikacji, problem budowy klasyfikatora oraz kryteria porównawcze róznych metod klasyfikacyjnych. Pierwszym z opisanych klasyfikatorów jest Naiwny klasyfikator Bayes’a, najprostsza z przedstawionych w pracy metod. Został on opisany w rozdziale trzecim, który bazuje na wykładzie dra hab. Tadeusza Pankowskiego dotyczacym klasyfikacji metoda Bayesa. Rozdział czwarty przedstawia metode oparta na regresji logistycznej. Do jej przedstawienia najpierw zdefiniowano uogólniony model liniowy (ksiazka J. J. Faraway "Extending the linear model with R. Generalized linear, mixed effects and nonparametric regression models"). Nastepnie ustalajac pewne załozenia został przedstawiony szczególny przypadek powyzszego modelu, tj. model regresji logistycznej. Czesc opisujaca metode drzew klasyfikacyjnych powstała w znacznej mierze w oparciu o pozycje "Classification and regression trees" autorów L. Breiman, H. J. Friedman, A. R. Olshen, J. C. Stone. Warto wspomniec iz jeden z autorów tj., Leo Breiman, wniósł olbrzymi wkład w dziedzine uczenia maszynowego oraz rozwój metod klasyfikacji. Ponadto wykorzystano materiały zawarte w ksiazkach P.Cichosza "Systemy uczace sie" oraz "Statystyczne systemy uczace sie" autorów J. Koronacki, J. Cwik. Powyzsze dwie pozycja sa chyba najlepszymi zródłami wiedzy na temat metody klasyfikacji, a dostepnymi w jezyku polskim. Podobnie dwa ostatnie rozdziały opieraja sie na trzech wczesniej przedstawionych pozycjach [3], [12], [2]. Przedstawiony został w nich problem utworzenia najlepszej rodziny klasyfikatorów z wczesniej juz zbudowanych (np. metoda lasów losowych korzysta z drzew klasyfikacyjnych) Ponadto w czesci poswieconej algorytmowi Adaboost posiłkowano sie ksiazka R. E. Shapire "A brief introduction to boosting".
Computerization and digitization of everyday's life that have taken place at the end XX and early XXI century caused the emergence of huge collections data (customer population, searchable content, networked). Very often present information systems (programmers) are facing a problem of classification data (assigning them to the correct category). These problems have forced the development of grading methods using statistics. Classification is today widely used in the world of learning, business, industry or medicine. Classification is as good as possible separation of observations from different populations. Theoretical foundations of the five methods will be presented classification. The first chapter was based on notes from the lectures and book "Probability for (almost) any" authors" J. Jakubowski, R. Sztencel. The basic issues of the account were presented the probability and statistics needed to understand the problem classification. Another part is an introduction to the classification methods, in which presented the problem of classification, the problem of building a classifier, and comparative criteria for different classification methods. The first classifier described is Bayesian Naive Classifier, the simplest of the methods presented in the work. It has been described in the chapter the third, which is based on the lecture dr hab. Tadeusz Pankowski "Bayesian method". Fourthchapter presents a logistic regression-based approach. Down its presentation first defined a generalized linear model (book J. J. Faraway "Extending the linear model with R. Generalized linear, mixed effects and nonparametric regression models"). Then fix some the assumption is presented in a special case of the above model, ie logistic regression model. The section describing the classification tree method was developed in a considerable way based on "Classification and regression trees" of authors of L.Breiman, H. J. Friedman, A. R. Olshen, J. C. Stone. It is worth mentioning One of the authors, Leo Breiman, made a tremendous contribution to the field of learning Machine learning and the development of classification methods. Also used materials included in the books of P.Cichosz "Learning systems" and "Statistical Learning Systems" of authors J. Koronacki, J. Cwik. The above two The position is probably the best source of knowledge about the classification method, Available in Polish. Similarly, the last two chapters are based on three previously presented Positions [3], [12], [2]. The problem was presented Create the best classifier family from the earlier built (eg random forest method uses classification trees) In addition, the part devoted to the Adaboost algorithm was used R. R. Shapire's book "A brief introduction to boosting".
Dostawca treści:: Repozytorium Uniwersytetu Jagiellońskiego

Inne

na półce

Skocz do pozycji: 4.

Tytuł:: Multiscaled hybrid features generation for AdaBoost object detection
Autorzy:: Dembski, J.
Tematy:: object detection
machine learning
biometrics
AdaBoost classifier
high resolution images
detekcja obiektów
uczenie maszynowe
biometria
klasyfikator AdaBoost
obrazy wysokiej rozdzielczości; Pokaż więcej
Wydawca:: Uniwersytet Śląski. Wydział Informatyki i Nauki o Materiałach. Instytut Informatyki. Zakład Systemów Komputerowych
Powiązania:: https://bibliotekanauki.pl/articles/333917.pdf Link otwiera się w nowym oknie
Opis:: This work presents the multiscaled version of modified census features in graphical objects detection with AdaBoost cascade training algorithm. Several experiments with face detector training process demonstrate better performance of such features over ordinal census and Haar-like approaches. The possibilities to join multiscaled census and Haar features in single hybrid cascade of strong classifiers are also elaborated and tested. The high resolution example images were used in detector training process.
Dostawca treści:: Biblioteka Nauki

Artykuł

na półce

Skocz do pozycji: 5.

Tytuł:: Integrating Vegetation Indices and Spectral Features for Vegetation Mapping from Multispectral Satellite Imagery Using AdaBoost and Random Forest Machine Learning Classifiers
Autorzy:: Saini, Rashmi
Tematy:: ensemble classifiers
Machine Learning
Random Forest
AdaBoost
vegetation mapping
vegetation indices; Pokaż więcej
Wydawca:: Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie. Wydawnictwo AGH
Powiązania:: https://bibliotekanauki.pl/articles/2174656.pdf Link otwiera się w nowym oknie
Opis:: Vegetation mapping is an active research area in the domain of remote sensing. This study proposes a methodology for the mapping of vegetation by integrating several vegetation indices along with original spectral bands. The Land Use Land Cover classification was performed by two powerful Machine Learning techniques, namely Random Forest and AdaBoost. The Random Forest algorithm works on the concept of building multiple decision trees for the final prediction. The other Machine Learning technique selected for the classification is AdaBoost (adaptive boosting), converts a set of weak learners into strong learners. Here, multispectral satellite data of Dehradun, India, was utilised. The results demonstrate an increase of 3.87% and 4.32% after inclusion of selected vegetation indices by Random Forest and AdaBoost respectively. An Overall Accuracy (OA) of 91.23% (kappa value of 0.89) and 88.59% (kappa value of 0.86) was obtained by means of the Random Forest and AdaBoost classifiers respectively. Although Random Forest achieved greater OA as compared to AdaBoost, interestingly AdaBoost provided better class-specific accuracy for the Shrubland class compared to Random Forest. Furthermore, this study also evaluated the importance of each individual feature used in the classification. Results demonstrated that the NDRE, GNDVI, and RTVIcore vegetation indices, and spectral bands (NIR, and Red-Edge), obtained higher importance scores.
Dostawca treści:: Biblioteka Nauki

Artykuł

na półce

Skocz do pozycji: 6.

Tytuł:: Personal bankruptcy prediction using machine learning techniques
Autorzy:: Brygała, Magdalena
Korol, Tomasz
Tematy:: personal bankruptcy
random forest
XGBoost
LightGBM
AdaBoost
CatBoost
support vector machines
SHAP; Pokaż więcej
Wydawca:: Uniwersytet Ekonomiczny w Poznaniu. Wydawnictwo Uniwersytetu Ekonomicznego w Poznaniu
Powiązania:: https://bibliotekanauki.pl/articles/55790413.pdf Link otwiera się w nowym oknie
Opis:: It has become crucial to have an early prediction model that provides accurate assurance for users about the financial situation of consumers. Recent studies have focused on predicting corporate bankruptcies and credit defaults, not personal bankruptcies. Due to this situation, the present study fills the literature gap by comparing different machine learning algorithms to predict personal bankruptcy. The main objective of the study is to examine the usefulness of machine learning models such as SVM, random forest, AdaBoost, XGBoost, LightGBM, and CatBoost in forecasting personal bankruptcy. The study relies on two samples of households (learning and testing) from the Survey of Consumer Finances, which was conducted in the United States. Among the models estimated, LightGBM, CatBoost, and XGBoost showed the highest effectiveness. The most important variables used in the models are income, refusal to grant credit, delays in the repayment of liabilities, the revolving debt ratio, and the housing debt ratio.
Dostawca treści:: Biblioteka Nauki

Artykuł

na półce

Skocz do pozycji: 7.

Tytuł:: Automatyczna analiza perfuzyjnych badań MRI- identyfikacja stanów zapalnych błony maziowej stawu kolanowego
Automated analysis of perfusion MRI studies – assessment of inflamed synovial membrane in the knee joint
Autorzy:: Książek, Witold
Opis:: The purpose of this thesis is to present the concept of a computer system, used for the classification of inflamed synovial tissue of a knee joint. The subject of automatic analysis are the dynamic contrast enhanced MRI datasets (DCE-MRI). Project was developed in cooperation with iMed24 - Medical Center.Tissue classification algorithm, presented in the thesis, analyzes enhancement curves under the influence of the contrast agent. This technique permits doctors to assess the degree of inflammation. The author tries to apply an analogical method with the use of Machine Learning.The first concept presented in the thesis is a regression model that allows an effective approximation of curves. Data extracted by non-linear regression is then subjected to classification via the Adaboost method. Boosted result is a cascade of simple Decision Stump classifiers.Within the thesis, a convenient tool for the training of classifiers is implemented.An implemented platform allowed to perfom tests designed to simulate practical applicaton of the classifier.Although the algorithm presented in the thesis is composed of elementary concepts, it achieved very promising results.
Celem niniejszej pracy jest przedstawienie koncepcji systemu informatycznego, służącego do klasyfikacji tkanek błony maziowej stawu kolanowego objętych stanem zapalnym. Przedmiotem automatycznej analizy są dynamiczne badania rezonansu magnetycznego z wykorzystaniem środka kontrastującego (badania DCE-MRI). Projekt powstał we współpracy z Centrum Medycznym iMed24.Prezentowany w pracy algorytm klasyfikacji tkanek wykorzystuje analizę krzywych wzmocnienia pod wpływem środka kontrastującego. Technika ta jest często wykorzystywana przez lekarzy do oceny stopnia zmian zapalnych. Autor stara się zrealizować powyższą metodę za pomocą uczenia maszynowego.W pracy zawarte jest wyprowadzenie modelu regresyjnego, pozwalającego na skuteczną aproksymację krzywych. Dane wyekstrahowane za pomocą regresji nieliniowej poddawane są klasyfikacji przy wykorzystaniu metody AdaBoost. Rezultat boostingu jest kombinacją wypukłą słabych klasyfikatorów Decision Stump.W ramach pracy zaimplementowane zostało narzędzie umożliwiające wygodny trening klasyfikatorów. Przy wykorzystaniu zaimplementowanej platformy wykonane zostały testy mające na celu symulację realnego wykorzystania klasyfikatora.Złożony z elementarnych koncepcji algorytm przedstawiony w pracy, pozwolił na uzyskanie bardzo dobrze rokujących rezultatów.
Dostawca treści:: Repozytorium Uniwersytetu Jagiellońskiego

Inne

na półce

Skocz do pozycji: 8.

Tytuł:: Tree ensembles for classification problem. Theoretical properties and computer simulations.
Tree ensembles w problemie klasyfikacji. Właściwości teoretyczne i symulacje komputerowe
Autorzy:: Mnich, Maciej
Opis:: Praca zawiera dowody zbieżności algorytmu AdaBoost i lasu losowego wraz z innymi właściwościami teoretycznymi. Zaprezentowany został również algorytm Stochastic Gradient Boosting. Wpływ parametrów uczenia na wyniki klasyfikatorów został zbadany przy użyciu danych syntetycznych.
The paper contains proofs of convergence of AdaBoost and random forest algorithm along with other theoretical properties. It also presents Stochastic Gradient Boosting algorithm. The influence of learning parameters on classifiers performance is investigated using synthetic datasets.
Dostawca treści:: Repozytorium Uniwersytetu Jagiellońskiego

Inne

na półce

Skocz do pozycji: 9.

Tytuł:: A novel approach for automatic detection and classification of suspicious lesions in breast ultrasound images
Autorzy:: Karimi, B.
Krzyżak, A.
Tematy:: automatic detection
classification
breast cancer
cancer lesions
ultrasound images
AdaBoost
artificial neural network
Fuzzy Support Vector Machine; Pokaż więcej
Wydawca:: Społeczna Akademia Nauk w Łodzi. Polskie Towarzystwo Sieci Neuronowych
Powiązania:: https://bibliotekanauki.pl/articles/91890.pdf Link otwiera się w nowym oknie
Opis:: In this research, a new method for automatic detection and classification of suspected breast cancer lesions using ultrasound images is proposed. In this fully automated method, de-noising using fuzzy logic and correlation among ultrasound images taken from different angles is used. Feature selection using combination of sequential backward search, sequential forward search and distance-based methods is obtained. A new segmentation method based on automatic selection of seed points and region growing is proposed and classification of lesions into two malignant and benign classes using combination of AdaBoost, Artificial Neural Network and Fuzzy Support Vector Machine classifiers and majority voting is implemented.
Dostawca treści:: Biblioteka Nauki

Artykuł

na półce

Skocz do pozycji: 10.

Tytuł:: Music Playlist Generation using Facial Expression Analysis and Task Extraction
Autorzy:: Sen, A.
Popat, D.
Shah, H.
Kuwor, P.
Johri, E.
Tematy:: facial expression analysis
emotion recognition
feature extraction
viola jones face detection
gabor filter
adaboost
k-NN algorithm
task extraction
music classification
playlist generation; Pokaż więcej
Wydawca:: Uniwersytet Marii Curie-Skłodowskiej. Wydawnictwo Uniwersytetu Marii Curie-Skłodowskiej
Powiązania:: https://bibliotekanauki.pl/articles/908868.pdf Link otwiera się w nowym oknie
Opis:: In day to day stressful environment of IT Industry, there is a truancy for the appropriate relaxation time for all working professionals. To keep a person stress free, various technical or non-technical stress releasing methods are now being adopted. We can categorize the people working on computers as administrators, programmers, etc. each of whom require varied ways in order to ease themselves. The work pressure and the vexation of any kind for a person can be depicted by their emotions. Facial expressions are the key to analyze the current psychology of the person. In this paper, we discuss a user intuitive smart music player. This player will capture the facial expressions of a person working on the computer and identify the current emotion. Intuitively the music will be played for the user to relax them. The music player will take into account the foreground processes which the person is executing on the computer. Since various sort of music is available to boost one's enthusiasm, taking into consideration the tasks executed on the system by the user and the current emotions they carry, an ideal playlist of songs will be created and played for the person. The person can browse the playlist and modify it to make the system more flexible. This music player will thus allow the working professionals to stay relaxed in spite of their workloads.
Dostawca treści:: Biblioteka Nauki

Artykuł

na półce

Informacja

Wyszukujesz frazę "AdaBoost" wg kryterium: Temat