Key points are not available for this paper at this time.
Dieses Papier stellt ICET vor, einen neuen Algorithmus für kostenempfindliche Klassifikation. ICET verwendet einen genetischen Algorithmus, um eine Population von Verzerrungen für einen Entscheidungsbaum-Induktionsalgorithmus zu entwickeln. Die Fitnessfunktion des genetischen Algorithmus ist die durchschnittliche Klassifikationskosten unter Verwendung des Entscheidungsbaums, einschließlich der Kosten für Tests (Merkmale, Messungen) und der Kosten für Klassifikationsfehler. ICET wird hier mit drei anderen Algorithmen für kostenempfindliche Klassifikation - EG2, CS-ID3 und IDX - sowie mit C4.5, das ohne Berücksichtigung der Kosten klassifiziert, verglichen. Die fünf Algorithmen werden empirisch auf fünf realen medizinischen Datensätzen bewertet. Es werden drei Experimentierserien durchgeführt. Die erste Serie untersucht die Basisleistung der fünf Algorithmen auf den fünf Datensätzen und stellt fest, dass ICET erheblich besser abschneidet als seine Mitbewerber. Die zweite Serie testet die Robustheit von ICET unter verschiedenen Bedingungen und zeigt, dass ICET seinen Vorteil beibehält. Die dritte Serie betrachtet die Suche von ICET im Verzerrungsraum und entdeckt einen Weg zur Verbesserung der Suche.
Peter D. Turney (Mittwoch) untersuchte diese Frage.