Optimal ensemble pruning in the context of game theory-based learning

Abstract

Les méthodes d'ensembles combinent plusieurs apprenants de produire des prédictions plus précises. Un ensemble constitué d'un grand nombre de classifieures entraine une augmentation des couts de calcul, de l'espace de stockage et même une réduction de la qualité de généralisation. L'élagage de l'ensemble est devenu une tache très importante qui répond à ces défis. Ces méthodes visent à construire un sous-ensemble qui maintient ou améliore la performance de IKA collection initial de classifieures tout en réduisant le nombre de membre qui le constituent. De nombreuses techniques d'élagage ont été proposées dans la littérature; ce pendant, la plupart d'entre eux sous-estiment la contribution des apprenants qui sont caractérisés par une capacité discriminatoire en tant que groupes, mais ils sont faibles en tant qu'individus. Afin de pallier cette faiblesse, nous introduisons une nouvelle approche d'élagage fondées sur des principes de la théorie des jeux.