論文の概要: Evaluating Nonlinear Decision Trees for Binary Classification Tasks with Other Existing Methods

• arxiv url: http://arxiv.org/abs/2008.10753v1
• Date: Tue, 25 Aug 2020 00:00:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-25 04:19:29.462660
• Title: Evaluating Nonlinear Decision Trees for Binary Classification Tasks with Other Existing Methods
• Title（参考訳）: 既存手法による二項分類課題に対する非線形決定木の評価
• Authors: Yashesh Dhebar, Sparsh Gupta and Kalyanmoy Deb
• Abstract要約: データセットを2つ以上の異なるクラスに分類することは、機械学習の重要なタスクである。 多くのメソッドは、テストデータに対して非常に高い精度でバイナリ分類タスクを分類することができるが、容易に解釈可能な説明を提供することはできない。 我々は、最近提案された非線形決定木アプローチを、多くのデータセットでよく使われている分類手法で強調し、評価する。
• 参考スコア（独自算出の注目度）: 8.870380386952993
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Classification of datasets into two or more distinct classes is an important machine learning task. Many methods are able to classify binary classification tasks with a very high accuracy on test data, but cannot provide any easily interpretable explanation for users to have a deeper understanding of reasons for the split of data into two classes. In this paper, we highlight and evaluate a recently proposed nonlinear decision tree approach with a number of commonly used classification methods on a number of datasets involving a few to a large number of features. The study reveals key issues such as effect of classification on the method's parameter values, complexity of the classifier versus achieved accuracy, and interpretability of resulting classifiers.
• Abstract（参考訳）: データセットを2つ以上の異なるクラスに分類することは、重要な機械学習タスクである。 多くのメソッドは、テストデータに対して非常に高い精度でバイナリ分類タスクを分類することができるが、データ分割の理由をより深く理解するために、容易に解釈可能な説明を提供することはできない。 本稿では,最近提案された非線形決定木手法を,いくつかの特徴を含む複数のデータセットに対して,よく使用される分類手法を用いて強調し,評価する。 本研究は, 手法のパラメータ値に対する分類の影響, 達成精度に対する分類器の複雑さ, 結果の分類器の解釈可能性などの重要な課題を明らかにする。

関連論文リスト

• Convolutional autoencoder-based multimodal one-class classification [80.52334952912808]
  1クラス分類は、単一のクラスからのデータを用いた学習のアプローチを指す。 マルチモーダルデータに適した深層学習一クラス分類法を提案する。
  論文  参考訳（メタデータ） (2023-09-25T12:31:18Z)
• Review of Methods for Handling Class-Imbalanced in Classification Problems [0.0]
  場合によっては、あるクラスはほとんどの例を含むが、他方はより重要なクラスであり、しかしながら、少数の例で表される。 本稿では、データレベル、アルゴリズムレベル、ハイブリッド、コスト感受性学習、ディープラーニングを含む、クラス不均衡による学習の問題に対処する最も広く使われている手法について検討する。
  論文  参考訳（メタデータ） (2022-11-10T10:07:10Z)
• Determination of class-specific variables in nonparametric multiple-class classification [0.0]
  確率に基づく非パラメトリックな多重クラス分類法を提案し、それを個々のクラスに対して高い影響変数を識別する能力と統合する。 提案手法の特性を報告し, 合成データと実データの両方を用いて, 異なる分類条件下での特性を説明する。
  論文  参考訳（メタデータ） (2022-05-07T10:08:58Z)
• The Overlooked Classifier in Human-Object Interaction Recognition [82.20671129356037]
  クラス間の意味的相関を分類ヘッドにエンコードし,重みをHOIの言語埋め込みで初期化する。 我々は,LSE-Sign という新しい損失を,長い尾を持つデータセット上でのマルチラベル学習を強化するために提案する。 我々は,物体検出と人間のポーズを明確なマージンで求める最先端技術よりも優れた,検出不要なHOI分類を可能にする。
  論文  参考訳（メタデータ） (2022-03-10T23:35:00Z)
• Reducing Data Complexity using Autoencoders with Class-informed Loss Functions [14.541733758283355]
  本稿では,損失関数の通知にクラスラベルを用いる,自己エンコーダに基づく複雑性低減手法を提案する。 27データセットの集合にわたる徹底的な実験により、クラスインフォームドオートエンコーダは、他の4つの一般的な教師なし特徴抽出技術よりも優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2021-11-11T10:57:19Z)
• Learning Debiased and Disentangled Representations for Semantic Segmentation [52.35766945827972]
  セマンティックセグメンテーションのためのモデルに依存しない訓練手法を提案する。 各トレーニングイテレーションで特定のクラス情報をランダムに除去することにより、クラス間の機能依存を効果的に削減する。 提案手法で訓練したモデルは,複数のセマンティックセグメンテーションベンチマークにおいて強い結果を示す。
  論文  参考訳（メタデータ） (2021-10-31T16:15:09Z)
• CvS: Classification via Segmentation For Small Datasets [52.821178654631254]
  本稿では,分類ラベルをセグメントマップの予測から導出する小型データセットのコスト効率の高い分類器であるCvSを提案する。 我々は,CvSが従来の手法よりもはるかに高い分類結果が得られることを示す多種多様な問題に対して,本フレームワークの有効性を評価する。
  論文  参考訳（メタデータ） (2021-10-29T18:41:15Z)
• Multiple Classifiers Based Maximum Classifier Discrepancy for Unsupervised Domain Adaptation [25.114533037440896]
  本稿では、2つの分類器の構造を複数の分類器に拡張し、その性能をさらに向上することを提案する。 平均的に、3つの分類器の構造を採用すると、精度と効率のトレードオフとして最高の性能が得られることを示す。
  論文  参考訳（メタデータ） (2021-08-02T03:00:13Z)
• Class Introspection: A Novel Technique for Detecting Unlabeled Subclasses by Leveraging Classifier Explainability Methods [0.0]
  潜在構造はデータセットの分析を行う上で重要なステップである。 インスタンス説明手法を利用することで、既存の分類器を拡張して潜在クラスを検出することができる。 本稿では,分類器を自動解析するパイプラインと,この手法による結果を対話的に探索するWebアプリケーションについても述べる。
  論文  参考訳（メタデータ） (2021-07-04T14:58:29Z)
• Binary Classification from Multiple Unlabeled Datasets via Surrogate Set Classification [94.55805516167369]
  我々は m 個の U 集合を $mge2$ で二進分類する新しい手法を提案する。 我々のキーとなる考え方は、サロゲート集合分類(SSC)と呼ばれる補助的分類タスクを考えることである。
  論文  参考訳（メタデータ） (2021-02-01T07:36:38Z)
• Theoretical Insights Into Multiclass Classification: A High-dimensional Asymptotic View [82.80085730891126]
  線形多クラス分類の最初の現代的精度解析を行う。 分析の結果,分類精度は分布に依存していることがわかった。 得られた洞察は、他の分類アルゴリズムの正確な理解の道を開くかもしれない。
  論文  参考訳（メタデータ） (2020-11-16T05:17:29Z)

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。