J 2004

Supervised nonparametric information theoretic classification

ARCHAMBEAU, C; T BUTZ; Vlad POPOVICI; M VERLEYSEN; JP THIRAN et al.

Základní údaje

Originální název

Supervised nonparametric information theoretic classification

Autoři

ARCHAMBEAU, C; T BUTZ; Vlad POPOVICI; M VERLEYSEN a JP THIRAN

Vydání

LOS ALAMITOS, IEEE COMPUTER SOC, 2004

Další údaje

Jazyk

angličtina

Typ výsledku

Článek v odborném periodiku

Utajení

není předmětem státního či obchodního tajemství

Označené pro přenos do RIV

Ne

DOI

UT WoS

Změněno: 4. 3. 2013 16:12, doc. Ing. Vlad Calin Popovici, PhD

Anotace

V originále

In this paper supervised nonparametric information theoretic classification (ITC) is introduced. Its principle relies on the likelihood of a data sample of transmitting its class label to data points in its vicinity. ITCs learning rule is linked to the concept of information potential and the approach is validated on Ripley's data set. We show that ITC may outperform classical classification algorithms, such as probabilistic neural networks and support vector machines.