Ändra sökning
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
Efficiency Comparison of Unstable Transductive and Inductive Conformal Classifiers
Högskolan i Borås, Institutionen Handels- och IT-högskolan. (CSL@BS)
Högskolan i Borås, Institutionen Handels- och IT-högskolan. (CSL@BS)
Högskolan i Borås, Institutionen Handels- och IT-högskolan. (CSL@BS)
Högskolan i Borås, Institutionen Handels- och IT-högskolan. (CSL@BS)
2014 (Engelska)Konferensbidrag, Publicerat paper (Refereegranskat)
Abstract [en]

In the conformal prediction literature, it appears axiomatic that transductive conformal classifiers possess a higher predictive efficiency than inductive conformal classifiers, however, this depends on whether or not the nonconformity function tends to overfit misclassified test examples. With the conformal prediction framework’s increasing popularity, it thus becomes necessary to clarify the settings in which this claim holds true. In this paper, the efficiency of transductive conformal classifiers based on decision tree, random forest and support vector machine classification models is compared to the efficiency of corresponding inductive conformal classifiers. The results show that the efficiency of conformal classifiers based on standard decision trees or random forests is substantially improved when used in the inductive mode, while conformal classifiers based on support vector machines are more efficient in the transductive mode. In addition, an analysis is presented that discusses the effects of calibration set size on inductive conformal classifier efficiency.

Ort, förlag, år, upplaga, sidor
Springer , 2014.
Serie
IFIP Advances in Information and Communication Technology, ISSN 1868-4238 ; 437
Nyckelord [en]
Conformal Prediction, Machine learning, Data mining
Nationell ämneskategori
Datavetenskap (datalogi) Data- och informationsvetenskap
Identifikatorer
URN: urn:nbn:se:hb:diva-7323DOI: 10.1007/978-3-662-44722-2_28Lokalt ID: 2320/14626ISBN: 978-3-662-44721-5 (tryckt)ISBN: 978-3-662-44722-2 (tryckt)OAI: oai:DiVA.org:hb-7323DiVA, id: diva2:888036
Konferens
Artificial Intelligence Applications and Innovations
Anmärkning

Sponsorship:

This work was supported by the Swedish Foundation

for Strategic Research through the project High-Performance Data Mining for

Drug Effect Detection (IIS11-0053) and the Knowledge Foundation through the

project Big Data Analytics by Online Ensemble Learning (20120192).

Tillgänglig från: 2015-12-22 Skapad: 2015-12-22 Senast uppdaterad: 2018-01-10

Open Access i DiVA

fulltext(799 kB)226 nedladdningar
Filinformation
Filnamn FULLTEXT01.pdfFilstorlek 799 kBChecksumma SHA-512
25644f53fd87fd00b049b0c0f00f140f5632df01f6159bc4c3865b0d5bc6eaa6c95ba036d56610ce43ed77fc1702a0df54b5917fde2b395f3fa21cf620936f8a
Typ fulltextMimetyp application/pdf

Övriga länkar

Förlagets fulltext

Sök vidare i DiVA

Av författaren/redaktören
Linusson, HenrikJohansson, UlfBoström, HenrikLöfström, Tuve
Av organisationen
Institutionen Handels- och IT-högskolan
Datavetenskap (datalogi)Data- och informationsvetenskap

Sök vidare utanför DiVA

GoogleGoogle Scholar
Totalt: 226 nedladdningar
Antalet nedladdningar är summan av nedladdningar för alla fulltexter. Det kan inkludera t.ex tidigare versioner som nu inte längre är tillgängliga.

doi
isbn
urn-nbn

Altmetricpoäng

doi
isbn
urn-nbn
Totalt: 652 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf