지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학술저널
- 저자정보
- 발행연도
- 2020.3
- 수록면
- 427 - 438 (12page)
- DOI
- 10.7465/jkdi.2020.31.2.427
이용수
초록· 키워드
오류제보하기
A classification ensemble is a learning method that aggregates different classifiers to obtain more accurate class predictions. Among many developed methods, Random Forest is known as one of the most accurate ensemble methods. It combines many randomized decision trees using simple majority voting scheme. Wave, a weighted voting algorithm, has proven to outperform simple majority voting when combined with bagging. In this paper, we investigated whether random forest using the wave voting scheme can further improve classification accuracy. Experiments show that the larger the ensemble size, the more accurate it is than other methods including single tree, bagging, AdaBoost, random forest (simple majority voting). The result also shows that random forest with wave is more accurate than bagging with wave when the ensemble size is large enough.
목차
Abstract
1. Introduction
2. Random forest and the WAVE algorithm
3. Random Forest Ensemble using WAVE (RF-wave)
4. Experimental results
5. Conclusion
References
참고문헌 (28)
참고문헌 신청
Bauer, E. / 1999 / An empirical comparison of voting classi cation algorithms : bagging, boosting, and variants / Machine Learning 36:105~139
Breiman, L. / 1996 / Bagging predictors / Machine Learning 24:123~140
Breiman, L. / 2001 / Random forest / Machine Learning 45:5~32
최성훈 / 2016 / Tree size determination for classification ensemble / 한국데이터정보과학회지 27(1):255~264
Breiman, L. / 1984 / Classification and regression trees / Chapman and Hall
Breiman, L. / 1996 / Bagging predictors / Machine Learning 24:123~140
Breiman, L. / 2001 / Random forest / Machine Learning 45:5~32
최성훈 / 2016 / Tree size determination for classification ensemble / 한국데이터정보과학회지 27(1):255~264
Breiman, L. / 1984 / Classification and regression trees / Chapman and Hall
함께 읽어보면 좋을 논문
논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!
-
Tree size determination for classification ensemble
한국데이터정보과학회지
2016 .02
-
How many trees in a random forest?
한국데이터정보과학회지
2022 .03
-
Ensemble Model Output Statistics를 이용한 평창지역 다중 모델 앙상블 결합 및 보정
대기
2018 .09
-
Ensemble approach for improving prediction in kernel regression and classification
CSAM(Communications for Statistical Applications and Methods)
2016 .07
-
The Stock Index Prediction by the Time-Adjusted Classifier Ensemble
Journal of The Korean Data Analysis Society
2015 .01
-
A Selective Review on Random Survival Forests for High Dimensional Data
Quantitative Bio-Science
2017 .11
-
Performance Evaluation of Multiphysics Ensemble on the Prediction of Heavy Precipitation Cases in South Korea and Examination on the Ensemble Spread
한국기상학회 학술대회 논문집
2023 .11
-
불균형 데이터의 분류 성능 향상을 위한 일반화된 불균형 비율(GIR) 기반의 과소 표집 canonical forest(GC-Forest)
응용통계연구
2024 .10
-
Development of heat-wave impact forecasting system based on Limited area ENsemble prediction System (LENS)
한국기상학회 학술대회 논문집
2017 .10
-
A Simple Rule for Monitoring the Error Rate of Random Forest for Classification
Quantitative Bio-Science
2020 .05
-
Co-seismic landslide susceptibility mapping using a random forest ensemble of frequency ratio, evidential belief and weight of evidence method using GIS
대한지질학회 학술대회
2017 .10
-
Random Forest 모델을 통한 부산 추정 PM2.5의 시계열 분석
한국대기환경학회 학술대회논문집
2022 .10
-
LS-SVM for large data sets
한국데이터정보과학회지
2016 .04
-
앙상블 기법을 이용한 일반화가법모형 연구
Journal of The Korean Data Analysis Society
2015 .01
-
산림분야 온실가스 인벤토리 산정을 위한 산림활동 자료 구축 및 산림경영률 산정
한국기후변화학회지
2020 .02
-
Ensemble 기법의 인공지능모델을 이용한 PM2.5 예측 성능 개선
한국대기환경학회 학술대회논문집
2023 .10
-
성인대상의 산림교육 활성화를 위한 정책 중요도와 만족도 분석 연구 - 대구광역시를 사례로 -
한국환경과학회지
2020 .06
-
도시숲에서 PM10과 PM2.5의 저감효과에 관한 연구
한국대기환경학회 학술대회논문집
2019 .11
-
National-scale estimation of potential for mineral water using tree-based ensemble learning
대한지질학회 학술대회
2020 .10
-
A review of tree-based Bayesian methods
CSAM(Communications for Statistical Applications and Methods)
2017 .11
이 논문의 저자 정보
이 논문과 함께 이용한 논문
최근 본 자료
댓글(0)
0
UCI(KEPA) : I410-ECN-0101-2020-041-000547643