...
机译:凸包集成中的选择性投票提高了分类精度
Department of Biostatistics, #781, University of Arkansas for Medical Sciences, 4301 W. Markham St., Little Rock, AR 72205, United States;
Department of Biostatistics, #781, University of Arkansas for Medical Sciences, 4301 W. Markham St., Little Rock, AR 72205, United States;
Department of Biostatistics, #781, University of Arkansas for Medical Sciences, 4301 W. Markham St., Little Rock, AR 72205, United States;
Division of Biomedical Informatics, #782, University of Arkansas for Medical Sciences, 4301 W. Markham St., Little Rock, AR 72205, United States;
cross-validation; genomic prediction; cancer screening; individualized therapy;
机译:使用集合分布式决策树(DDT)投票方法来改善分类准确性:地理数据挖掘的实证话语
机译:评估集合投票的有效性,提高各种纳米孔测序期间产生的各种ΔDTWAα算法的协商信号的准确性
机译:使用投票组提高混合学习环境中的最终成绩预测准确性
机译:使用欠采样技术通过投票,装袋和Adaboost集成方法改进不平衡学生数据集的分类
机译:最大熵和改进的迭代缩放比例,可用于混合空间的分类,整体分类和扩展。
机译:凸船体合奏中的选择性投票提高了分类准确性
机译:图1:平均准确性$ bar { rm chi} $的贝叶斯分类方法(实线)和使用相同的志愿者(虚线)(a)和贝叶斯方法的试验百分比的大多数投票优于大多数投票(b)作为用于分类的平均平均志愿者的平均平均数量的函数。