Název: Influence of Metric on Classification Error of Distance-Based Classifiers
Autoři: Jiřina, Marcel
Typ dokumentu: Výzkumné zprávy
Rok: 2014
Jazyk: eng
Edice: Technical Report, svazek: V-1211
Abstrakt: Five types of classifiers that use sample distances for class estimation of an unknown sample was tested. Each classifier was tested with fifteen different metrics on 24 classification tasks from the UCI Machine Learning Repository. The metrics were compared and the best of them was found for each classifier. Surprisingly, the best metrics for all five types of classifiers is the Hassanat metrics. Classifiers were also compared and ranked according to their classification ability. Wilcoxon Test and Friedman Aligned test were used for statistical evaluation.
Klíčová slova: classifier; distance; Hassanat metrics; IINC; k-NN; metrics; multidimensional data
Práva: Dílo je chráněno podle autorského zákona č. 121/2000 Sb.

Instituce: Ústav informatiky AV ČR (web)
Původní záznam: http://hdl.handle.net/11104/0240014

Trvalý odkaz NUŠL: http://www.nusl.cz/ntk/nusl-178137


Záznam je zařazen do těchto sbírek:
Věda a výzkum > AV ČR > Ústav informatiky
Zprávy > Výzkumné zprávy