論文の概要: Optimal survival trees ensemble
- arxiv url: http://arxiv.org/abs/2005.09043v1
- Date: Mon, 18 May 2020 19:28:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-02 00:06:04.383386
- Title: Optimal survival trees ensemble
- Title(参考訳): 最適なサバイバルツリーアンサンブル
- Authors: Naz Gul, Nosheen Faiz, Dan Brawn, Rafal Kulakowski, Zardad Khan and
Berthold Lausen
- Abstract要約: 近年の研究では、分類と回帰問題のためのアンサンブル内での個人的または集団的パフォーマンスに基づいて、正確で多様な木を選択するアプローチが採用されている。
この研究は、これらの調査のきっかけに続き、最適な生存樹の森を成長させる可能性について考察する。
予測性能の向上に加えて,本手法はアンサンブル内の生存木数を削減する。
- 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: Recent studies have adopted an approach of selecting accurate and diverse
trees based on individual or collective performance within an ensemble for
classification and regression problems. This work follows in the wake of these
investigations and considers the possibility of growing a forest of optimal
survival trees. Initially, a large set of survival trees are grown using the
method of random survival forest. The grown trees are then ranked from smallest
to highest value of their prediction error using out-of-bag observations for
each respective survival tree. The top ranked survival trees are then assessed
for their collective performance as an ensemble. This ensemble is initiated
with the survival tree which stands first in rank, then further trees are
tested one by one by adding them to the ensemble in order of rank. A survival
tree is selected for the resultant ensemble if the performance improves after
an assessment using independent training data. This ensemble is called an
optimal trees ensemble (OSTE). The proposed method is assessed using 17
benchmark datasets and the results are compared with those of random survival
forest, conditional inference forest, bagging and a non tree based method, the
Cox proportional hazard model. In addition to improve predictive performance,
the proposed method reduces the number of survival trees in the ensemble as
compared to the other tree based methods. The method is implemented in an R
package called "OSTE".
- Abstract(参考訳): 近年の研究では、分類と回帰問題のためのアンサンブル内での個人的または集団的パフォーマンスに基づいて、正確で多様な木を選択するアプローチが採用されている。
この研究は、これらの調査の結果として続き、最適な生存樹の森を成長させる可能性を考える。
当初、無作為生存林の手法を用いて、多数の生存木が栽培されていた。
成長した木は、それぞれの生存木を観測し、予測誤差の最小値から最高値にランク付けされる。
ランキング上位のサバイバルツリーは、アンサンブルとしての集合的なパフォーマンスで評価される。
このアンサンブルは、最初にランクで立つサバイバルツリーから始まり、次にランク順にアンサンブルにそれらを付加してさらに木を1つずつテストする。
独立トレーニングデータを用いた評価後、パフォーマンスが向上すると、サバイバルツリーが結果アンサンブルに選択される。
このアンサンブルを最適なツリーアンサンブル(OSTE)と呼ぶ。
提案手法は,17のベンチマークデータを用いて評価し,無作為生存林,条件推定林,バッジ,非木型リスクモデル,コックス比例ハザードモデルと比較した。
提案手法は,予測性能の向上に加えて,他の木ベースの手法と比較して,アンサンブル内のサバイバルツリー数を減少させる。
この方法は"OSTE"と呼ばれるRパッケージで実装される。
関連論文リスト
- Learning a Decision Tree Algorithm with Transformers [80.49817544396379]
本稿では,従来のアルゴリズムから出力されたフィルタを用いてトランスフォーマーモデルを用いて,分類のための強力な決定木を生成するメタトレーについて紹介する。
次にMetaTreeをトレーニングして、強力な一般化パフォーマンスを実現するツリーを生成します。
論文 参考訳(メタデータ) (2024-02-06T07:40:53Z) - Why do Random Forests Work? Understanding Tree Ensembles as
Self-Regularizing Adaptive Smoothers [68.76846801719095]
統計学で広く普及している偏りと分散還元に対する現在の高次二分法は、木のアンサンブルを理解するには不十分である、と我々は主張する。
森林は、通常暗黙的に絡み合っている3つの異なるメカニズムによって、樹木を改良できることを示す。
論文 参考訳(メタデータ) (2024-02-02T15:36:43Z) - Improving the Accuracy and Interpretability of Random Forests via Forest
Pruning [0.0]
本稿では,ランダム林の精度と決定木の解釈可能性という,両世界を最大限に活用することを目的としたポストホックアプローチを提案する。
森林伐採手法を2つ提案し, 適度な森林を適度に選抜し, 選択した樹木を1つにまとめる。
論文 参考訳(メタデータ) (2024-01-10T20:02:47Z) - 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) - Contextual Decision Trees [62.997667081978825]
学習アンサンブルの1つの浅い木を特徴量ベースで選択するための,マルチアームのコンテキスト付きバンドレコメンデーションフレームワークを提案する。
トレーニングされたシステムはランダムフォレスト上で動作し、最終的な出力を提供するためのベース予測器を動的に識別する。
論文 参考訳(メタデータ) (2022-07-13T17:05:08Z) - Social Interpretable Tree for Pedestrian Trajectory Prediction [75.81745697967608]
本稿では,このマルチモーダル予測課題に対処するため,SIT(Social Interpretable Tree)と呼ばれる木に基づく手法を提案する。
木の根から葉までの経路は、個々の将来の軌跡を表す。
ETH-UCYとStanford Droneのデータセットによる実験結果からは,手作り木にもかかわらず,我々の手法が最先端の手法の性能に適合または超えることを示した。
論文 参考訳(メタデータ) (2022-05-26T12:18:44Z) - Explaining random forest prediction through diverse rulesets [0.0]
Local Tree eXtractor (LTreeX)は、与えられたテストインスタンスのフォレスト予測を、いくつかの異なるルールで説明することができる。
提案手法は予測性能の点で他の説明可能な手法よりも大幅に優れていることを示す。
論文 参考訳(メタデータ) (2022-03-29T12:54:57Z) - Optimal trees selection for classification via out-of-bag assessment and
sub-bagging [0.0]
一般に、木ベースの機械学習手法の予測性能は、トレーニングデータのサイズが大きくなるにつれて低下して改善される。
本研究では,本手法が内部検証によるトレーニング観測から学習できない最適樹木アンサンブル(OTE)について検討する。
そこで本研究では,OTEが内部検証における学習観察の損失を補うため,修正木選択法を提案する。
論文 参考訳(メタデータ) (2020-12-30T19:44:11Z) - Growing Deep Forests Efficiently with Soft Routing and Learned
Connectivity [79.83903179393164]
この論文は、いくつかの重要な側面で深い森林のアイデアをさらに拡張します。
我々は、ノードがハードバイナリ決定ではなく、確率的ルーティング決定、すなわちソフトルーティングを行う確率的ツリーを採用する。
MNISTデータセットの実験は、私たちの力のある深部森林が[1]、[3]よりも優れたまたは匹敵するパフォーマンスを達成できることを示しています。
論文 参考訳(メタデータ) (2020-12-29T18:05:05Z) - Optimal Survival Trees [2.7910505923792637]
混合整数最適化(MIO)と局所探索技術を利用して,グローバルに最適化された生存木モデルを生成する,新しい生存木アルゴリズムを提案する。
本研究では,既存のサバイバルツリー法,特に大規模データセットの精度の向上を実証する。
論文 参考訳(メタデータ) (2020-12-08T09:00:57Z) - 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)
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。