Abstrait

UNE FUSION ENQUÊTE-CLASSIFICATEUR

Kanchan Saxena et Vineet Richaria

Un certain nombre de méthodes de fusion de classificateurs ont été récemment développées, ouvrant une approche alternative conduisant à une amélioration potentielle des performances de classification. Comme il existe peu de théorie sur la fusion d'informations elle-même, nous sommes actuellement confrontés à différentes méthodes conçues pour différents problèmes et produisant des résultats différents. Cet article présente l'enquête sur diverses techniques de classification pour obtenir le résultat optimal en appliquant la technique de fusion. La classification est l'exemple de l'apprentissage supervisé. La classification est une fonction d'exploration de données qui attribue des éléments d'une collection à des catégories ou classes cibles. L'objectif de la classification est de prédire avec précision la classe cible pour chaque cas dans les données. De nombreuses techniques de classification sont utilisées pour améliorer la précision du classificateur telles que le k-plus proche voisin (knn), la machine à vecteurs de support (svm), le clustering, etc. La croissance du taux de données augmente au cours de la décennie actuelle. Internet génère une énorme quantité de données non structurées, l'ensemble des données contenant du texte, des documents, des vidéos et des images. Le regroupement des données nécessite la classification. La classification en tant que partie de l'apprentissage supervisé, dans cette technique, le regroupement des données se produit de manière guidée. Nous examinons de manière ciblée diverses recherches et articles de revues liés à la classification des données utilisant des méthodologies aussi différentes que les techniques knn (k-nearest neighbor), svm (support vector machine), le clustering et la classification. Dans les recherches récentes, l'exploration de données a fait émerger une nouvelle technique appelée DATA FUSION.