bibtype	C - Conference Paper (international conference)
ARLID	0326643
utime	20240103191831.2
mtime	20090723235959.9
title (primary) (eng)	Criteria Ensembles in Feature Selection
specification	page_count 10 s.
serial	ARLID cav_un_epca*0326642 ISBN 3-642-02325-8 ISSN 0302-9743 title Multiple Classifier Systems, LNCS 5519 page_num 304-313 publisher place Berlin Heidelberg name Springer year 2009 editor name1 Benediktsson name2 J.A. editor name1 Kittler name2 J. editor name1 Roli name2 F.
title (cze)	Spolupracující skupiny kritérií ve výběru příznaků
keyword	feature selection
keyword	criterion
keyword	ensemble
keyword	combining criteria
author (primary)	ARLID cav_un_auth*0101197 name1 Somol name2 Petr institution UTIA-B full_dept Department of Pattern Recognition fullinstit Ústav teorie informace a automatizace AV ČR, v. v. i.
author	ARLID cav_un_auth*0101091 name1 Grim name2 Jiří institution UTIA-B full_dept Department of Pattern Recognition fullinstit Ústav teorie informace a automatizace AV ČR, v. v. i.
author	ARLID cav_un_auth*0101182 name1 Pudil name2 Pavel institution UTIA-B full_dept Department of Pattern Recognition fullinstit Ústav teorie informace a automatizace AV ČR, v. v. i.
cas_special	project project_id 1M0572 agency GA MŠk ARLID cav_un_auth*0001814 project project_id GA102/08/0593 agency GA ČR ARLID cav_un_auth*0239567 project project_id 2C06019 agency GA MŠk country CZ ARLID cav_un_auth*0216518 research CEZ:AV0Z10750506 abstract (eng) 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. abstract (cze) 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. action ARLID cav_un_auth*0252154 name Multiple Classifier Systems place Reykjavik dates 10.06.2009-12.06.2009 country IS reportyear 2010 RIV BD permalink http://hdl.handle.net/11104/0173682 mrcbT16-q 100 mrcbT16-s 0.322 mrcbT16-y 15.66 mrcbT16-x 0.35 arlyear 2009 mrcbU63 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 mrcbU67 Benediktsson J.A. 340 mrcbU67 Kittler J. 340 mrcbU67 Roli F. 340