In recent years, ensemble classification methods have been widely investigated in both industry and literature in the field of machine learning and artificial intelligence. The main advantage of this approach is to benefit from a set of classifiers instead of using a single classifier with the aim of improving the prediction performance, such as accuracy. Selecting the base classifiers and the method for combining them are the most challenging issues in the ensemble classifiers. In this paper, we propose a heterogeneous dynamic ensemble classifier (HDEC) which uses multiple classification algorithms. The main advantage of using heterogeneous algorithms is increasing the diversity among the base classifiers as it is a key point for an ensemble system to be successful. In this method, we first train many classifiers with the original data. Then, they are separated based on their strength in recognizing either positive or negative instances. For doing this, we consider the true positive rate and true negative rate, respectively. In the next step, the classifiers are categorized into two groups according to their efficiency in the mentioned measures. Finally, the outputs of the two groups are compared with each other to generate the final prediction. For evaluating the proposed approach, it has been applied to 12 datasets from the UCI and LIBSVM repositories and calculated two popular prediction performance metrics, including accuracy and geometric mean. The experimental results show the superiority of the proposed approach in comparison to other state-of-the-art methods.

中文翻译：

---

HDEC：用于二进制数据集的异构动态集成分类器

近年来，在机器学习和人工智能领域，集成分类方法已在业界和文献中得到广泛研究。这种方法的主要优点是受益于一组分类器，而不是使用单个分类器，以提高预测性能（例如准确性）。在基础分类器中，选择基本分类器及其组合方法是最具挑战性的问题。在本文中，我们提出了一种使用多种分类算法的异构动态集成分类器（HDEC）。使用异构算法的主要优点是增加了基本分类器之间的多样性，因为这是集成系统成功的关键点。在这种方法中，我们首先用原始数据训练许多分类器。然后，根据识别正面或负面实例的优势将它们分开。为此，我们分别考虑真实的正利率和真实的负利率。在下一步中，根据分类器在上述措施中的效率将其分类为两组。最后，将两组的输出相互比较以生成最终预测。为了评估所提出的方法，已将其应用于UCI和LIBSVM存储库中的12个数据集，并计算了两个流行的预测性能指标，包括准确性和几何平均值。实验结果表明，与其他现有技术相比，该方法具有优越性。我们分别考虑真实的正利率和真实的负利率。在下一步中，根据分类器在上述措施中的效率将其分类为两组。最后，将两组的输出相互比较以生成最终预测。为了评估所提出的方法，已将其应用于UCI和LIBSVM存储库中的12个数据集，并计算了两个流行的预测性能指标，包括准确性和几何平均值。实验结果表明，与其他现有技术相比，该方法具有优越性。我们分别考虑真实的正利率和真实的负利率。在下一步中，根据分类器在上述措施中的效率将其分类为两组。最后，将两组的输出相互比较以生成最终预测。为了评估所提出的方法，已将其应用于UCI和LIBSVM存储库中的12个数据集，并计算了两个流行的预测性能指标，包括准确性和几何平均值。实验结果表明，与其他现有技术相比，该方法具有优越性。两组的输出相互比较以生成最终预测。为了评估所提出的方法，已将其应用于UCI和LIBSVM存储库中的12个数据集，并计算了两个流行的预测性能指标，包括准确性和几何平均值。实验结果表明，与其他现有技术相比，该方法具有优越性。两组的输出相互比较以生成最终预测。为了评估所提出的方法，已将其应用于UCI和LIBSVM存储库中的12个数据集，并计算了两个流行的预测性能指标，包括准确性和几何平均值。实验结果表明，与其他现有技术相比，该方法具有优越性。