Core Concepts
多視点スタッキングにおいて、メタ学習器の選択が視点選択と分類精度に与える影響を評価した。
Abstract
本研究では、多視点スタッキングにおいて、メタ学習器の選択が視点選択と分類精度に与える影響を評価した。
7つのメタ学習器を比較し、シミュレーションと2つの実データ例で評価を行った。
分類精度と視点選択のパフォーマンスを比較した結果、
非負の Lasso、非負の Adaptive Lasso、非負の Elastic Netは、視点選択と分類精度の両方が重要な場合に適切なメタ学習器であることが示された。
非負の Ridge回帰、非負の Forward Selection、Stability Selection、補間予測器は、他の3つのメタ学習器に比べて大きな利点を示さなかった。
研究目的に応じて、これらの3つのメタ学習器のうちどれが最適かは異なる。
Stats
視点選択の安定性が高いほど、同様のデータセットでも選択される視点が変わりにくい。
選択された視点の数が少ないほど、モデルがスパースであることを示す。