0326643 20240103191831.220090723235959.9 10 s. cav_un_epca*03266423-642-02325-80302-9743304-313Berlin HeidelbergSpringer2009BenediktssonJ.A.KittlerJ.RoliF. feature selection criterion ensemble combining criteria cav_un_auth*0101197 Somol Petr UTIA-B Department of Pattern Recognition Ústav teorie informace a automatizace AV ČR, v. v. i. cav_un_auth*0101091 Grim Jiří UTIA-B Department of Pattern Recognition Ústav teorie informace a automatizace AV ČR, v. v. i. cav_un_auth*0101182 Pudil Pavel UTIA-B Department of Pattern Recognition Ústav teorie informace a automatizace AV ČR, v. v. i. 1M0572 GA MŠk cav_un_auth*0001814 GA102/08/0593 GA ČR cav_un_auth*0239567 2C06019 GA MŠk CZ cav_un_auth*0216518 CEZ:AV0Z10750506 In feature selection the effect of over-fitting may lead to serious degradation of generalization ability. We introduce the concept of combining multiple feature selection criteria in feature selection methods with the aim to obtain feature subsets that generalize better. The concept is applicable with many existing feature selection methods. Here we discuss in more detail the family of sequential search methods. The concept does not specify which criteria to combine – to illustrate its feasibility we give a simple example of combining the estimated accuracy of k-nearest neighbor classifiers for various k.We perform the experiments on a number of datasets. The potential to improve is clearly seen on improved classifier performance on independent test data as well as on improved feature selection stability. Efekt přetrénování může při výběru příznaků výrazně zhoršit generalizační schopnost. Představujeme koncept kombinování několika kritérií výběru příznaků s cílem získat příznaky které lépe generalizují. V této práci se věnujeme podrobněji implementaci ve skupině sekvenčních metod. Abychom ukázali smysl konceptu, provedli jsme vzorové experimenty za použití klasifikátorů "k-nejbližších sousedů" v roli kritérií pro různé hodnoty k. Potenciál kombinování kritérií je jasně vidět na zlepšené úspěšnosti klasifikace nezávislých dat a na zlepšené stabilitě výběru příznaků. cav_un_auth*0252154 Multiple Classifier Systems Reykjavik 10.06.2009-12.06.2009 IS 2010 BD http://hdl.handle.net/11104/0173682 100 0.322 15.66 0.35 2009 cav_un_epca*0326642 Multiple Classifier Systems, LNCS 5519 3-642-02325-8 0302-9743 304 313 Berlin Heidelberg Springer 2009 Lecture Notes In Computer Science Benediktsson J.A. 340 Kittler J. 340 Roli F. 340