6 Publikationen

Alle markieren

[6]
2020 | Zeitschriftenaufsatz | Veröffentlicht | PUB-ID: 2939517
Pfannschmidt, L., Jakob, J., Hinder, F., Biehl, M., Tino, P. & Hammer, B. (2020). Feature Relevance Determination for Ordinal Regression in the Context of Feature Redundancies and Privileged Information. Neurocomputing. Elsevier. doi:10.1016/j.neucom.2019.12.133.
PUB | DOI | Download (ext.) | arXiv
 
[5]
2020 | Preprint | Entwurf | PUB-ID: 2942271 OA
Pfannschmidt, L. & Hammer, B. (Draft). Sequential Feature Classification in the Context of Redundancies.
PUB | PDF | arXiv
 
[4]
2019 | Konferenzbeitrag | Veröffentlicht | PUB-ID: 2933893
Pfannschmidt, L., Jakob, J., Biehl, M., Tino, P. & Hammer, B. (2019). Feature Relevance Bounds for Ordinal Regression. In M. Verleysen (Hrsg.), Proceedings of the 27th European Symposium on Artificial Neural Networks (ESANN 2019). Gehalten auf der European Symposium on Artificial Neural Networks (ESANN 2019), Louvain-la-Neuve: i6doc.
PUB | Download (ext.) | arXiv
 
[3]
2019 | Konferenzbeitrag | Veröffentlicht | PUB-ID: 2935456 OA
Pfannschmidt, L., Göpfert, C., Neumann, U., Heider, D. & Hammer, B. (2019). FRI - Feature Relevance Intervals for Interpretable and Interactive Data Exploration. Gehalten auf der 16th IEEE International Conference on Computational Intelligence in Bioinformatics and Computational Biology. doi:10.1109/CIBCB.2019.8791489.
PUB | PDF | DOI | arXiv
 
[2]
2018 | Zeitschriftenaufsatz | Veröffentlicht | PUB-ID: 2915273 OA
Göpfert, C., Pfannschmidt, L., Göpfert, J.P. & Hammer, B. (2018). Interpretation of Linear Classifiers by Means of Feature Relevance Bounds. Neurocomputing, 298, 69-79. Elsevier. doi:10.1016/j.neucom.2017.11.074.
PUB | PDF | DOI | WoS
 
[1]
2017 | Konferenzbeitrag | Veröffentlicht | PUB-ID: 2908201 OA
Göpfert, C., Pfannschmidt, L. & Hammer, B. (2017). Feature Relevance Bounds for Linear Classification. In M. Verleysen (Hrsg.), Proceedings of the ESANN, 24th European Symposium on Artificial Neural Networks, Computational Intelligence and Machine Learning (S. 187--192). Gehalten auf der 25th European Symposium on Artificial Neural Networks, Computational Intelligence and Machine Learning (ESANN), Louvain-la-Neuve: Ciaco - i6doc.com.
PUB | Dateien verfügbar | Download (ext.)
 

Suche

Publikationen filtern

Darstellung / Sortierung

Zitationsstil: dgps

Export / Einbettung

6 Publikationen

Alle markieren

[6]
2020 | Zeitschriftenaufsatz | Veröffentlicht | PUB-ID: 2939517
Pfannschmidt, L., Jakob, J., Hinder, F., Biehl, M., Tino, P. & Hammer, B. (2020). Feature Relevance Determination for Ordinal Regression in the Context of Feature Redundancies and Privileged Information. Neurocomputing. Elsevier. doi:10.1016/j.neucom.2019.12.133.
PUB | DOI | Download (ext.) | arXiv
 
[5]
2020 | Preprint | Entwurf | PUB-ID: 2942271 OA
Pfannschmidt, L. & Hammer, B. (Draft). Sequential Feature Classification in the Context of Redundancies.
PUB | PDF | arXiv
 
[4]
2019 | Konferenzbeitrag | Veröffentlicht | PUB-ID: 2933893
Pfannschmidt, L., Jakob, J., Biehl, M., Tino, P. & Hammer, B. (2019). Feature Relevance Bounds for Ordinal Regression. In M. Verleysen (Hrsg.), Proceedings of the 27th European Symposium on Artificial Neural Networks (ESANN 2019). Gehalten auf der European Symposium on Artificial Neural Networks (ESANN 2019), Louvain-la-Neuve: i6doc.
PUB | Download (ext.) | arXiv
 
[3]
2019 | Konferenzbeitrag | Veröffentlicht | PUB-ID: 2935456 OA
Pfannschmidt, L., Göpfert, C., Neumann, U., Heider, D. & Hammer, B. (2019). FRI - Feature Relevance Intervals for Interpretable and Interactive Data Exploration. Gehalten auf der 16th IEEE International Conference on Computational Intelligence in Bioinformatics and Computational Biology. doi:10.1109/CIBCB.2019.8791489.
PUB | PDF | DOI | arXiv
 
[2]
2018 | Zeitschriftenaufsatz | Veröffentlicht | PUB-ID: 2915273 OA
Göpfert, C., Pfannschmidt, L., Göpfert, J.P. & Hammer, B. (2018). Interpretation of Linear Classifiers by Means of Feature Relevance Bounds. Neurocomputing, 298, 69-79. Elsevier. doi:10.1016/j.neucom.2017.11.074.
PUB | PDF | DOI | WoS
 
[1]
2017 | Konferenzbeitrag | Veröffentlicht | PUB-ID: 2908201 OA
Göpfert, C., Pfannschmidt, L. & Hammer, B. (2017). Feature Relevance Bounds for Linear Classification. In M. Verleysen (Hrsg.), Proceedings of the ESANN, 24th European Symposium on Artificial Neural Networks, Computational Intelligence and Machine Learning (S. 187--192). Gehalten auf der 25th European Symposium on Artificial Neural Networks, Computational Intelligence and Machine Learning (ESANN), Louvain-la-Neuve: Ciaco - i6doc.com.
PUB | Dateien verfügbar | Download (ext.)
 

Suche

Publikationen filtern

Darstellung / Sortierung

Zitationsstil: dgps

Export / Einbettung