We propose two pre-processing steps to classification that apply convex hull- based algorithms to the training set to help improve the performance and speed of classification. The Class Reconstruction algorithm uses a clustering algorithm combined with a convex hull-based approach that re-labels the dataset with a new and expanded class structure. We demonstrate how this performance- improvement algorithm helps boost the accuracy results of Naive Bayes in some, but not all, cases that use real-world datasets.

Nous proposons deux étapes de prétraitement de la classification qui appliquent des algorithmes basés sur la coque convexe à l'ensemble d'apprentissage afin d'améliorer les performances et la vitesse de la classification. L'algorithme de reconstruction de classe utilise un algorithme de regroupement combiné à une approche basée sur la coque convexe qui ré-étiquette l'ensemble de données avec une structure de classe nouvelle et étendue. Nous démontrons comment cet algorithme d'amélioration des performances permet d'augmenter les résultats de précision de Naive Bayes dans...

Wir schlagen zwei Vorverarbeitungsschritte für die Klassifizierung vor, die konvexe Hüllen-basierte Algorithmen auf den Trainingssatz anwenden, um die Leistung und Geschwindigkeit der Klassifizierung zu verbessern. Der Algorithmus zur Klassenrekonstruktion verwendet einen Clustering-Algorithmus in Kombination mit einem auf einer konvexen Hülle basierenden Ansatz, der den Datensatz mit einer neuen und erweiterten Klassenstruktur neu beschriftet. Wir zeigen, wie dieser Algorithmus zur Leistungsverbesserung die Genauigkeit von Naive Bayes in einigen, aber nicht allen Fällen, in denen reale...