Bedankt voor het vertrouwen het afgelopen jaar! Om jou te bedanken bieden we GRATIS verzending (in België) aan op alles gedurende de hele maand januari.

Afhalen na 1 uur in een winkel met voorraad
In januari gratis thuislevering in België
Ruim aanbod met 7 miljoen producten

Bedankt voor het vertrouwen het afgelopen jaar! Om jou te bedanken bieden we GRATIS verzending (in België) aan op alles gedurende de hele maand januari.

Afhalen na 1 uur in een winkel met voorraad
In januari gratis thuislevering in België
Ruim aanbod met 7 miljoen producten

Winkels

Verlanglijstje

Winkels

Verlanglijstje

Zoeken

Volg ons op

140 winkels

Wist je dat er in Vlaanderen voor iedereen een Standaard Boekhandel is binnen een straal van 7 km?

Vind hier een winkel

€ 99,95

+ 199 punten

Levering 2 à 3 weken

Eenvoudig bestellen

Veilig betalen

In januari gratis thuislevering in België (via bpost)

Gratis levering in je Standaard Boekhandel

Omschrijving

This work discusses the theoretical abilities of three commonly used classifier learning methods and optimization techniques to cope with characteristics of real-world classification problems, more specifically varying misclassification costs, imbalanced data sets and varying degrees of hardness of class boundaries. From these discussions a universally applicable optimization framework is derived that successfully corrects the error-based inductive bias of classifier learning methods on image data within the domain of medical diagnosis. The framework was designed considering several points for improvement of common optimization techniques, such as the modification of the optimization procedure for inducer-specific parameters, the modification of input data by an arcing algorithm, and the combination of classifiers according to locally-adaptive, cost-sensitive voting schemes. The framework is designed to make the learning process cost-sensitive and to enforce more balanced misclassification costs between classes. Results on the evaluated domain are promising, while further improvements can be expected after some modifications to the framework.