ชื่อบทความที่เผยแพร่ |
Improved ensemble learning for classification techniques based on majority voting |
วัน/เดือน/ปี ที่เผยแพร่ |
23 มีนาคม 2560 |
การประชุม |
ชื่อการประชุม |
2016 7th IEEE International Conference on Software Engineering and Service Science (ICSESS) |
หน่วยงาน/องค์กรที่จัดประชุม |
IEEE Beijing Section |
สถานที่จัดประชุม |
China Hall of Science and Technology |
จังหวัด/รัฐ |
Beijing |
ช่วงวันที่จัดประชุม |
26 สิงหาคม 2560 |
ถึง |
28 สิงหาคม 2560 |
Proceeding Paper |
Volume (ปีที่) |
2016 |
Issue (เล่มที่) |
IEEE Catalog Number : CFP1632-ART (Compliant PDF Files) |
หน้าที่พิมพ์ |
107 |
Editors/edition/publisher |
|
บทคัดย่อ |
This paper proposes the methodology for improving the performance of the classification model, over several methods. The accuracy values obtained through experiments permit the evaluation of each method's performance. We propose a concept that brings Ensemble learning to model classification, in order to improve performance through majority voting, called M-Ensemble learning. The improved Ensemble learning approach is divided into two main formats of combined methods, namely the 3-Ensemble model (combining odd number methods, such as Naïve Bayes, Decision Tree, and Multilayer Perceptron); and the 4-Ensemble model (combining even number methods, such as Naïve Bayes, Decision Tree, Multilayer Perceptron, and K-Nearest Neighbor). The most improved classification model resulted from the improved 3-Ensemble method, with an accuracy value of 83.13%, compared with the Multilayer Perceptron based model classification and the 4-Ensemble model, which yielded accuracy values of 80.67% and 81.86%, respectively. |
ผู้เขียน |
|
การประเมินบทความ (Peer Review) |
มีผู้ประเมินอิสระ |
มีการเผยแพร่ในระดับ |
นานาชาติ |
รูปแบบ Proceeding |
Full paper |
รูปแบบการนำเสนอ |
Oral |
เป็นส่วนหนึ่งของวิทยานิพนธ์ |
เป็น |
ผลงานที่นำเสนอได้รับรางวัล |
ไม่ได้รับรางวัล |
แนบไฟล์ |
|
Citation |
0
|
|