Fugu-MT 論文翻訳(概要): Exploiting Categorical Structure Using Tree-Based Methods

論文の概要: Exploiting Categorical Structure Using Tree-Based Methods

arxiv url: http://arxiv.org/abs/2004.07383v1
Date: Wed, 15 Apr 2020 22:58:27 GMT
ステータス: 処理完了
システム内更新日: 2022-12-13 02:37:01.288137
Title: Exploiting Categorical Structure Using Tree-Based Methods
Title（参考訳）: 木に基づく手法による分類構造の利用
Authors: Brian Lucena
Abstract要約: 分類変数の構造を表現する数学的枠組みを開発する。この構造を利用するために決定木を一般化する方法を示す。このアプローチは、下層の学習者として決定木を使用するグラディエントブーストツリー(Gradient Boosted Trees)のような手法に適用できる。
参考スコア（独自算出の注目度）: 1.8275108630751844
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Standard methods of using categorical variables as predictors either endow them with an ordinal structure or assume they have no structure at all. However, categorical variables often possess structure that is more complicated than a linear ordering can capture. We develop a mathematical framework for representing the structure of categorical variables and show how to generalize decision trees to make use of this structure. This approach is applicable to methods such as Gradient Boosted Trees which use a decision tree as the underlying learner. We show results on weather data to demonstrate the improvement yielded by this approach.
Abstract（参考訳）: カテゴリー変数を予測器として使用する標準的な方法は、順序構造を持つか、全く構造を持たないと仮定する。しかし、分類変数は、線形順序付けよりも複雑な構造を持つことが多い。分類変数の構造を表現する数学的枠組みを開発し、この構造を利用するための決定木を一般化する方法を示す。このアプローチは、下層の学習者として決定木を使用するGradient Boosted Treesのような手法に適用できる。本手法により得られた改善を示すため,気象データに結果を示す。

関連論文リスト

Extending Explainable Ensemble Trees (E2Tree) to regression contexts [1.5186937600119894]
E2Treeは、ランダムな森林を説明するための新しい方法論である。これは、応答に対する予測変数の影響を考慮に入れている。また、計算と異種性尺度の使用を通じて、予測変数間の関連性も説明できる。
論文参考訳（メタデータ） (2024-09-10T11:42:55Z)
Learning a Decision Tree Algorithm with Transformers [75.96920867382859]
メタ学習によってトレーニングされたトランスフォーマーベースのモデルであるMetaTreeを導入し、強力な決定木を直接生成する。我々は、多くのデータセットに欲求決定木とグローバルに最適化された決定木の両方を適合させ、MetaTreeを訓練して、強力な一般化性能を実現する木のみを生成する。
論文参考訳（メタデータ） (2024-02-06T07:40:53Z)
StructRe: Rewriting for Structured Shape Modeling [63.792684115318906]
本稿では,構造化形状モデリングの新しいアプローチとして,構造書換えシステムであるStructReを提案する。ポイントとコンポーネントで表される3Dオブジェクトが与えられたら、StructReはそれを上向きに、より簡潔な構造に書き直すか、より詳細な構造に書き直すことができる。
論文参考訳（メタデータ） (2023-11-29T10:35:00Z)
Hierarchical clustering with dot products recovers hidden tree structure [53.68551192799585]
本稿では,階層構造の回復に着目した凝集クラスタリングアルゴリズムの新しい視点を提案する。クラスタを最大平均点積でマージし、例えば最小距離やクラスタ内分散でマージしないような、標準的なアルゴリズムの単純な変種を推奨する。このアルゴリズムにより得られた木は、汎用確率的グラフィカルモデルの下で、データ中の生成的階層構造をボナフェイド推定することを示した。
論文参考訳（メタデータ） (2023-05-24T11:05:12Z)
A Mathematical Programming Approach to Optimal Classification Forests [1.0705399532413618]
本稿では,与えられた木を同時に構築する数学的最適化手法を提案する。分類規則は、森林の樹木の中で最も頻繁に予測される分類をそれぞれの観察に割り当てることによって導かれる。提案手法は,最先端木分類法と同等あるいは優れた性能を示す。
論文参考訳（メタデータ） (2022-11-18T20:33:08Z)
Characterizing Intrinsic Compositionality in Transformers with Tree Projections [72.45375959893218]
トランスのようなニューラルモデルは、入力の異なる部分間で情報を任意にルーティングすることができる。 3つの異なるタスクに対するトランスフォーマーは、トレーニングの過程でより木のようなものになることを示す。これらの木はモデル挙動を予測し、より木のようなモデルは構成的一般化のテストにおいてより良く一般化する。
論文参考訳（メタデータ） (2022-11-02T17:10:07Z)
Optimal randomized classification trees [0.0]
分類と回帰木(英: Classification and Regression Trees、CART)は、現代の統計学と機械学習における既成の技術である。 CARTはgreedyプロシージャによって構築され、分割予測変数と関連するしきい値を逐次決定する。この強欲なアプローチは、木を非常に高速に木に分類するが、その性質上、それらの分類精度は他の最先端の手順と競合しないかもしれない。
論文参考訳（メタデータ） (2021-10-19T11:41:12Z)
Learning compositional structures for semantic graph parsing [81.41592892863979]
本稿では、AM依存性解析をニューラル潜在変数モデルで直接トレーニングする方法を示す。本モデルでは,いくつかの言語現象を独自に把握し,教師あり学習に匹敵する精度を達成している。
論文参考訳（メタデータ） (2021-06-08T14:20:07Z)
MurTree: Optimal Classification Trees via Dynamic Programming and Search [61.817059565926336]
動的プログラミングと探索に基づいて最適な分類木を学習するための新しいアルゴリズムを提案する。当社のアプローチでは,最先端技術が必要とする時間のごく一部しか使用せず,数万のインスタンスでデータセットを処理することが可能です。
論文参考訳（メタデータ） (2020-07-24T17:06:55Z)
StructureBoost: Efficient Gradient Boosting for Structured Categorical Variables [1.8275108630751844]
本稿では,計算障害を克服し,複雑なカテゴリ変数のグラディエントブースティングを効率的に行うための2つの手法を提案する。結果として得られたパッケージはStructureBoostと呼ばれ、CatBoostやLightGBMといった既存のパッケージよりも優れている。本研究では、StructureBoostが、その基盤となる構造に関する知識から、目に見えないカテゴリ値の正確な予測を行うことができることを示す。
論文参考訳（メタデータ） (2020-07-08T21:37:15Z)

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。