論文の概要: Multivariate Boosted Trees and Applications to Forecasting and Control
- arxiv url: http://arxiv.org/abs/2003.03835v2
- Date: Mon, 22 Aug 2022 15:55:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-25 14:07:57.856207
- Title: Multivariate Boosted Trees and Applications to Forecasting and Control
- Title（参考訳）: 多変量ブースト木と予測・制御への応用
- Authors: Lorenzo Nespoli, Vasco Medici
- Abstract要約: 勾配強化木は、特定の損失関数を最小限に抑えるために、逐次モデルフィッティングと勾配降下を利用する非パラメトリック回帰木である。
本稿では,多変量隆起木を適応する計算効率のよいアルゴリズムを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Gradient boosted trees are competition-winning, general-purpose,
non-parametric regressors, which exploit sequential model fitting and gradient
descent to minimize a specific loss function. The most popular implementations
are tailored to univariate regression and classification tasks, precluding the
possibility of capturing multivariate target cross-correlations and applying
structured penalties to the predictions. In this paper, we present a
computationally efficient algorithm for fitting multivariate boosted trees. We
show that multivariate trees can outperform their univariate counterpart when
the predictions are correlated. Furthermore, the algorithm allows to
arbitrarily regularize the predictions, so that properties like smoothness,
consistency and functional relations can be enforced. We present applications
and numerical results related to forecasting and control.
- Abstract（参考訳）: 緩やかな隆起木は競争に勝利し、汎用的、非パラメトリック回帰木であり、特定の損失関数を最小化するために連続的なモデルフィッティングと勾配降下を利用する。
最も一般的な実装は、不平等な回帰と分類タスクに合わせたもので、多変量目標の相互相関を捉え、その予測に構造化ペナルティを適用する可能性を妨げている。
本稿では,多変量ブースト木をフィッティングする計算効率の高いアルゴリズムを提案する。
多変量木は, 予測が相関している場合, 単変量木よりも優れることを示す。
さらに、アルゴリズムは予測を任意に規則化し、滑らかさ、一貫性、機能的関係といった特性を強制することができる。
予測と制御に関する応用と数値結果を示す。
関連論文リスト
- Semiparametric conformal prediction [79.6147286161434]
リスクに敏感なアプリケーションは、複数の、潜在的に相関したターゲット変数に対して、よく校正された予測セットを必要とする。
スコアをランダムなベクトルとして扱い、それらの連接関係構造を考慮した予測セットを構築することを目的とする。
実世界のレグレッション問題に対して,所望のカバレッジと競争効率について報告する。
論文 参考訳（メタデータ） (2024-11-04T14:29:02Z) - Ensembles of Probabilistic Regression Trees [46.53457774230618]
木に基づくアンサンブル法は多くの応用や研究で回帰問題に成功している。
本研究では,確率分布に関する各領域の観察を割り当てることで,目的関数のスムーズな近似を提供する確率回帰木のアンサンブルバージョンについて検討する。
論文 参考訳（メタデータ） (2024-06-20T06:51:51Z) - Structured Radial Basis Function Network: Modelling Diversity for
Multiple Hypotheses Prediction [51.82628081279621]
多重モード回帰は非定常過程の予測や分布の複雑な混合において重要である。
構造的放射基底関数ネットワークは回帰問題に対する複数の仮説予測器のアンサンブルとして提示される。
この構造モデルにより, このテッセルレーションを効率よく補間し, 複数の仮説対象分布を近似することが可能であることが証明された。
論文 参考訳（メタデータ） (2023-09-02T01:27:53Z) - On the Pointwise Behavior of Recursive Partitioning and Its Implications
for Heterogeneous Causal Effect Estimation [8.394633341978007]
決定木学習は、ポイントワイズ推論にますます使われている。
適応決定木は、非消滅確率のノルムにおける収束の収束率を達成できないことを示す。
ランダムな森林は状況を改善することができ、貧弱な樹木をほぼ最適な手順に変えることができる。
論文 参考訳（メタデータ） (2022-11-19T21:28:30Z) - Distributional Adaptive Soft Regression Trees [0.0]
本稿では,多変量ソフトスプリットルールを用いた分布回帰木の新しいタイプを提案する。
ソフトスプリットの大きな利点の1つは、滑らかな高次元函数を1つの木で見積もることができることである。
シミュレーションにより,アルゴリズムは優れた特性を有し,様々なベンチマーク手法より優れていることを示す。
論文 参考訳（メタデータ） (2022-10-19T08:59:02Z) - Distributional Gradient Boosting Machines [77.34726150561087]
私たちのフレームワークはXGBoostとLightGBMをベースにしています。
我々は,このフレームワークが最先端の予測精度を実現することを示す。
論文 参考訳（メタデータ） (2022-04-02T06:32:19Z) - Multivariate Probabilistic Regression with Natural Gradient Boosting [63.58097881421937]
多変量予測分布の条件パラメータを非パラメトリックにモデル化したNatural Gradient Boosting (NGBoost) 手法を提案する。
提案手法は頑健で, 広範囲なチューニングを伴わず, 推定対象分布に対してモジュール構造であり, 既存の手法と比較して競争力がある。
論文 参考訳（メタデータ） (2021-06-07T17:44:49Z) - Probabilistic Gradient Boosting Machines for Large-Scale Probabilistic
Regression [51.770998056563094]
PGBM(Probabilistic Gradient Boosting Machines)は、確率的予測を生成する手法である。
既存の最先端手法と比較してPGBMの利点を実証的に示す。
論文 参考訳（メタデータ） (2021-06-03T08:32:13Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。