アンサンブル型最小分類誤り学習法の実装と実験的評価

摘要

筆者らは先に、代表的なアンサンブル型分類器設計法であるブースティング法と音声認識や言語処理で広く使われている最小分類誤り学習法との双方の長所に着目した新しい識別学習法，アンサンブル型最小分類誤り学習法の提案を行った．本稿では，そのアンサンブル型最小分類誤り学習法の実装の詳細とその実験的な評価結果を紹介する．評価は，機械学習分野において広く用いられている公開データを用いたLeave-one-out法による体系的な認識実験を通して行われる．実験結果より，伝統的なブースティング法に対するアンサンブル型最小分類誤り学習法の優位性や求められる改善が明らかにされる．%Recently, we developed a noble Ensemble-based Minimum Classification Error training method (EMCE) by combining the advantages of Boosting, which is a typical ensemble-based classifier design method, and the MCE method that has been widely used in the speech recognition and text processing field. In this paper, we elaborate the implementation and experimental evaluation of EMCE. Through systematic experiments, we show the superiority of EMCE to its conventional counterpart, Boosting, and we also discuss how EMCE should be further improved.