Multiobjectivization for Classifier Parameter Tuning

Autoři: Mgr. Roman Neruda, Ph.D.
Rok vydání: 2013
Typ publikace: Konferenční příspěvek (mezinárodní konf.)
Periodikum: GECCO Companion '13. Proceeding of the fifteenth annual conference companion on Genetic and evolutionary computation conference companion
Projekty: Učení funkcionálních vztahů z vysoce dimenzionálních dat
Bibliografická citace: PILÁT, M., NERUDA, Roman. Multiobjectivization for Classifier Parameter Tuning. In: BLUM, C., ed. GECCO Companion '13. Proceeding of the fifteenth annual conference companion on Genetic and evolutionary computation conference companion. New York: ACM, 2013, S. 97-98. ISBN 978-1-4503-1964-5
Dostupné z: doi:10.1145/2464576.2464626
DOI: 10.1145/2464576.2464626
ID: 394258

Abstrakt

We present a multiobjectivization approach to the parameter tuning of RBF networks and multilayer perceptrons. The approach works by adding two new objectives - maximization of kappa statistic and minimization of root mean square error - to the originally single-objective problem of minimizing the classification error of the model. We show the performance of the multiobjectivization approach on five datasets.