Основные понятия
Verstärkendes Lernen verbessert die Klassifikationsgenauigkeit durch effektive Merkmalsauswahl.
Аннотация
Einleitung:
Effektive Merkmalsauswahl verbessert die Genauigkeit von Klassifikationsmodellen.
Reduziert Overfitting, vereinfacht die Modellinterpretation und verbessert die Generalisierung.
Schnellere Modelltrainingszeiten und geringere Rechenkosten.
Methodik:
Verwendung von Verstärkendem Lernen (RL) mit Q-Learning und SARSA für Merkmalsauswahl.
Evaluation der Algorithmen auf dem Brustkrebs Coimbra Datensatz mit drei Normalisierungsmethoden.
QL@Min-Max und SARSA@l2 erreichen die höchsten Klassifikationsgenauigkeiten.
Ergebnisse und Diskussion:
ℓ2-Normalisierung zeigt keine falsch negativen Ergebnisse.
Kombination von Merkmalsauswahl mit QL und MM-Normalisierung reduziert falsch positive und falsch negative Ergebnisse.
QL@MM und SARSA@l2 erreichen die höchsten Klassifikationsgenauigkeiten.
Schlussfolgerung:
RL-basierte Merkmalsauswahl optimiert Klassifikationsaufgaben und verbessert die Modellgenauigkeit.
Weiterentwicklung von RL-Algorithmen könnte die Leistung über verschiedene Datensätze und Domänen hinweg verbessern.
Статистика
Ergebnisse zeigen, dass QL@Min-Max und SARSA@l2 die höchsten Klassifikationsgenauigkeiten von 87% bzw. 88% erreichen.