On-line clustering in Hierarchical Classifier model

W pracy zaprezentowano nowatorską modyfikację architektury modelu Hierarchicznego Klasyfikatora (HC). Model składa się z wielu słabych klasyfikatorów, które po złączeniu w jedną całość tworzą mocny klasyfikator o drzewiastej strukturze. Zbiór przykładów uczących jest w trakcie budowy HC dzielony na podstawie pomyłek w klasyfikacjach popełnianych przez poprzedni w strukturze klasyfikator. Problem jest dzielony na nakładające się pod-problemy, każdy klasyfikujący przykłady należące do konkretnych wybranych klas. Pozwala to na redukcję wielkości kolejno rozwiązywanych problemów oraz wzrost dokładności klasyfikacji.Standardowym podejściem do tworzenia pod-problemów jest wykorzystanie algorytmów klastrujących dopiero po skończonym etapie nauczania klasyfikatora. W tej pracy zaproponowano podejście gdy klastrowanie odbywa się równolegle do procesu nauczania klasyfikatora. W tym celu przedstawiono użycie dwóch nowych algorytmów klastrowania dobrze sobie radzących w zmieniających się środowiskach. Obydwa z algorytmów zostały oparte na zasadzie działania Rosnącego Gazu Neuronowego ze względu na jego bardzo dobrą zdolność adaptacji. Zostały również przedstawione nowe kryteria stopu budowy klasyfikatora i klastrowania. Przedstawione w pracy rezultaty eksperymentów dowodzą, że HC z klastrowaniem on-line jest w stanie uzyskać wyniki lepsze od tych otrzymanych dla standardowego modelu.