論文の概要: Emergent and Unspecified Behaviors in Streaming Decision Trees

• arxiv url: http://arxiv.org/abs/2010.08199v1
• Date: Fri, 16 Oct 2020 07:02:30 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-06 20:22:59.543563
• Title: Emergent and Unspecified Behaviors in Streaming Decision Trees
• Title（参考訳）: ストリーミング決定木における創発的および非特定的行動
• Authors: Chaitanya Manapragada and Geoffrey I Webb and Mahsa Salehi and Albert Bifet
• Abstract要約: Hoeffding Treeは、データストリームの進化のための決定木学習における最先端の手法である。 本研究では、定常ストリームと非定常ストリームのストリーミング決定木アルゴリズムがなぜ機能するのかを詳述する。
• 参考スコア（独自算出の注目度）: 15.956780338760078
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hoeffding trees are the state-of-the-art methods in decision tree learning for evolving data streams. These very fast decision trees are used in many real applications where data is created in real-time due to their efficiency. In this work, we extricate explanations for why these streaming decision tree algorithms for stationary and nonstationary streams (HoeffdingTree and HoeffdingAdaptiveTree) work as well as they do. In doing so, we identify thirteen unique unspecified design decisions in both the theoretical constructs and their implementations with substantial and consequential effects on predictive accuracy---design decisions that, without necessarily changing the essence of the algorithms, drive algorithm performance. We begin a larger conversation about explainability not just of the model but also of the processes responsible for an algorithm's success.
• Abstract（参考訳）: Hoeffding Treeは、データストリームの進化のための決定木学習における最先端の手法である。 これらの非常に高速な決定木は、その効率のためにデータがリアルタイムで生成される多くの実アプリケーションで使われます。 本稿では,定常ストリームと非定常ストリーム(hoeffdingtree と hoeffdingadaptivetree)のストリーミング決定木アルゴリズムが,それらと同じように動作する理由を説明する。 そこで我々は, アルゴリズムの本質を必ずしも変えることなく, アルゴリズムの性能を向上する設計決定を, 予測精度に実質的かつ連続的に与える理論構成と実装の両方において, 13 個の独特な設計決定を同定する。 我々は、モデルだけでなく、アルゴリズムの成功に責任を負うプロセスについても、説明可能性に関するより大きな議論を始めます。

関連論文リスト

• Optimized Feature Generation for Tabular Data via LLMs with Decision Tree Reasoning [53.241569810013836]
  本稿では,大規模言語モデル(LLM)を用いて,効率的な特徴生成ルールを同定するフレームワークを提案する。 我々は、自然言語で容易に表現できるため、この推論情報を伝達するために決定木を使用します。 OCTreeは様々なベンチマークで様々な予測モデルの性能を継続的に向上させる。
  論文  参考訳（メタデータ） (2024-06-12T08:31:34Z)
• Learning accurate and interpretable decision trees [27.203303726977616]
  我々は、同じドメインから繰り返しデータにアクセスして決定木学習アルゴリズムを設計するためのアプローチを開発する。 本研究では,ベイズ決定木学習における事前パラメータのチューニングの複雑さについて検討し,その結果を決定木回帰に拡張する。 また、学習した決定木の解釈可能性について検討し、決定木を用いた説明可能性と精度のトレードオフを最適化するためのデータ駆動型アプローチを提案する。
  論文  参考訳（メタデータ） (2024-05-24T20:10:10Z)
• Online Learning of Decision Trees with Thompson Sampling [12.403737756721467]
  決定木は解釈可能な機械学習のための顕著な予測モデルである。 オンライン環境で最適な決定木を生成できるモンテカルロ木探索アルゴリズムを考案した。
  論文  参考訳（メタデータ） (2024-04-09T15:53:02Z)
• 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)
• Greedy Algorithm for Inference of Decision Trees from Decision Rule Systems [0.0]
  決定木と決定ルールシステムは属性、知識表現ツール、アルゴリズムとして重要な役割を果たす。 本稿では,逆変換問題について考察する。 本研究は,決定木全体を構築する代わりに,与えられた属性に対する決定木の操作をシミュレートする欲求時間アルゴリズムに焦点を当てる。
  論文  参考訳（メタデータ） (2024-01-08T09:28:55Z)
• Simple is better: Making Decision Trees faster using random sampling [4.284674689172996]
  近年,ビッグデータ上での堅牢な機械学習モデル構築において,勾配向上決定木が普及している。 理論的および実験的に、ランダムに分割点を均一に選択することは、精度と計算効率の点で、同じあるいはさらに優れた性能を提供することを示す。
  論文  参考訳（メタデータ） (2021-08-19T17:00:21Z)
• 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)
• 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)
• Generalized and Scalable Optimal Sparse Decision Trees [56.35541305670828]
  様々な目的に対して最適な決定木を生成する手法を提案する。 また,連続変数が存在する場合に最適な結果が得られるスケーラブルなアルゴリズムも導入する。
  論文  参考訳（メタデータ） (2020-06-15T19:00:11Z)
• ENTMOOT: A Framework for Optimization over Ensemble Tree Models [57.98561336670884]
  ENTMOOTは、ツリーモデルをより大きな最適化問題に統合するためのフレームワークである。 ENTMOOTは、ツリーモデルの意思決定とブラックボックス最適化への単純な統合を可能にしていることを示す。
  論文  参考訳（メタデータ） (2020-03-10T14:34:07Z)

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。