Adaption und Vergleich evolutionaerer mehrkriterieller Algorithmen mit Hilfe von Variablenwichtigkeitsmassen

Created by W.Langdon from gp-bibliography.bib Revision:1.7615

@PhdThesis{Casjens_Dissertation,

• author = "Swaantje Wiarda Casjens",
• title = "Adaption und Vergleich evolutionaerer mehrkriterieller Algorithmen mit Hilfe von Variablenwichtigkeitsmassen",
• title2 = "Am Beispiel der kostensensitiven Klassifikation von Lungenkrebssubtypen",
• title3 = "Adaptation and comparison of evolutionary multi-criteria algorithms with the help of variable importance measures - using the example of the cost-sensitive classification of lung cancer subtypes",
• school = "Der Fakultaet Statistik, der Technischen Universitaet Dortmund",
• year = "2013",
• address = "Germany",
• month = "9 " # jul,
• keywords = "genetic algorithms, genetic programming, Baum-Repraesentation evolutionaere Algorithmen, kostensensitive Klassifikation, mehrkriterielle Optimierung, Variablenwichtigkeitsmasse",
• URL = "https://eldorado.tu-dortmund.de/bitstream/2003/30431/1/Casjens_Dissertation.pdf",
• URL = "http://hdl.handle.net/2003/30431",
• URL = "https://eldorado.tu-dortmund.de/handle/2003/30431",
• DOI = "doi:10.17877/DE290R-5588",
• size = "213 pages",
• abstract = "Bei der Herleitung eines Klassifikationsmodells ist neben der Vorhersageguete auch die Guete der Variablenauswahl ein wichtiges Kriterium. Bei Einflussvariablen mit unterschiedlichen Kosten ist eine kostensensitive Klassifikation erstrebenswert, bei der ein Kompromiss aus hoher Vorhersageguete und geringen Kosten getroffen werden kann. Werden konfliktaere Ziele, wie etwa hier die Vorhersageguete und die Kosten, gleichzeitig optimiert, entsteht ein mehrkriterielles Optimierungsproblem, fuer das keine einzelne sondern eine Menge unvergleichbarer Loesungen existieren. Fuer das Auffinden der unvergleichbaren Loesungen sind evolutionaere mehrkriterielle Optimierungsalgorithmen (EMOAs) gut geeignet, da sie unter anderem nach verschiedenen Loesungen parallel suchen koennen und unabhaengig von der zugrunde liegenden Datenverteilung sind. Haeufig werden EMOAs fuer die Loesung mehrkriterieller Klassifikationsprobleme in Form von Wrapper-Ansaetzen verwendet, wobei die EMOA-Individuen als binaere Zeichenketten (Bitstrings) codiert sind und jedes Bit die Verfuegbarkeit der entsprechenden Einflussvariable beschreibt. Basierend auf diesen Variablenteilmengen und gegebenen Daten erstellt der umhuellte (wrapped) Klassifikationsalgorithmus ein Klassifikationsmodell, mit dem Ziel die Vorhersageguete zu optimieren. Erst nach der Konstruktion des Klassifikationsmodells koennen weitere Zielkriterien, wie etwa die Kosten der selektierten Variablen, ausgewertet werden. Damit entsteht eine Hierarchie der zu optimierenden Zielkriterien mit Vorteil fuer die Vorhersageguete, sodass durch einen mehrkriteriellen Wrapper-Ansatz keine nicht-hierarchischen Loesungen gefunden werden koennen. Diese Hierarchie der Zielfunktionen wird erstmals in Rahmen dieser Arbeit beschrieben und untersucht. Als Alternative zum mehrkriteriellen Wrapper-Ansatz wird in dieser Arbeit ein nicht-hierarchischer evolutionaerer mehrkriterieller Optimierungsalgorithmus mit Baum-Repraesentation (NHEMOtree) entwickelt, um mehrkriterielle Optimierungsprobleme mit gleichberechtigten Optimierungszielen zu loesen. NHEMOtree basiert auf einem EMOA mit Baum-Repraesentation, der ohne internen Klassifikationsalgorithmus die Variablenselektion vollzieht und ohne Hierarchie in den Zielfunktionen mehrkriteriell optimierte binaere Entscheidungsbaeume erstellt. Des Weiteren werden ein auf mehrkriteriellen Variablenwichtigkeitsmassen (VIMs) basierter Rekombinationsoperator fuer NHEMOtree und eine NHEMOtree-Version mit lokaler Cutoff-Optimierung entwickelt. In dieser Arbeit werden erstmalig die Loesungen einer mehrkriteriellen Optimierung durch einen mehrkriteriellen Wrapper-Ansatz und durch einen EMOA mit Baum-Repraesentation (NHEMOtree) miteinander verglichen. Die Bewertung der Loesungen erfolgt dabei sowohl mittels der bekannten S-Metrik als auch durch den hier entwickelten Dominanzquotienten. Die Guete des VIM-basierten Rekombinationsoperators wird im Vergleich zum Standard-Rekombinationsoperator fuer EMOAs mit Baum-Repraesentation untersucht. Die mehrkriteriellen Optimierungsansaetze und Operatoren werden auf medizinische und simulierte Daten angewendet. Die Ergebnisse zeigen, dass NHEMOtree bessere Loesungen als der mehrkriterielle Wrapper-Ansatz findet. Die Verwendung des VIM-basierten Rekombinationsoperators fuehrt im Gegensatz zum Standard-Operator zu nochmals besseren Loesungen des mehrkriteriellen Optimierungsproblems und zu einer schnelleren Konvergenz des NHEMOtrees.",
• notes = "In German",

}

Genetic Programming entries for Swaantje Wiarda Casjens

Citations