論文の概要: An Approach to Evaluating Learning Algorithms for Decision Trees
- arxiv url: http://arxiv.org/abs/2010.13665v1
- Date: Mon, 26 Oct 2020 15:36:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-02 18:30:16.397807
- Title: An Approach to Evaluating Learning Algorithms for Decision Trees
- Title（参考訳）: 決定木学習アルゴリズムの評価への一手法
- Authors: Tianqi Xiao and Omer Nguena Timo and Florent Avellaneda and Yasir
Malik and Stefan Bruda
- Abstract要約: 低あるいは未知の学習能力アルゴリズムは、生成したソフトウェアモデルを信頼できない。
決定木に対する学習アルゴリズム(学習能力)を評価するための,新しいオラクル中心のアプローチを提案する。
- 参考スコア（独自算出の注目度）: 3.7798600249187295
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Learning algorithms produce software models for realising critical
classification tasks. Decision trees models are simpler than other models such
as neural network and they are used in various critical domains such as the
medical and the aeronautics. Low or unknown learning ability algorithms does
not permit us to trust the produced software models, which lead to costly test
activities for validating the models and to the waste of learning time in case
the models are likely to be faulty due to the learning inability. Methods for
evaluating the decision trees learning ability, as well as that for the other
models, are needed especially since the testing of the learned models is still
a hot topic. We propose a novel oracle-centered approach to evaluate (the
learning ability of) learning algorithms for decision trees. It consists of
generating data from reference trees playing the role of oracles, producing
learned trees with existing learning algorithms, and determining the degree of
correctness (DOE) of the learned trees by comparing them with the oracles. The
average DOE is used to estimate the quality of the learning algorithm. the We
assess five decision tree learning algorithms based on the proposed approach.
- Abstract（参考訳）: 学習アルゴリズムは、重要な分類タスクを実現するためのソフトウェアモデルを生成する。
決定木モデルは、ニューラルネットワークのような他のモデルよりも単純であり、医療や航空などの様々な重要な領域で使用される。
学習能力の低いあるいは未知のアルゴリズムでは、生成したソフトウェアモデルを信頼できないため、モデルを検証するための費用がかかるテスト活動や、学習能力の欠如によりモデルに障害が生じそうな場合の学習時間の浪費につながります。
決定木学習能力を他のモデルと同様に評価する方法は、特に学習モデルのテストが依然としてホットな話題であるため必要である。
決定木に対する学習アルゴリズム(学習能力)を評価するための,新しいオラクル中心のアプローチを提案する。
オラクルの役割を担うリファレンスツリーからデータを生成し、既存の学習アルゴリズムで学習ツリーを生成し、それらをオラクルと比較することで学習ツリーの正確度(doe)を決定する。
平均DOEは学習アルゴリズムの品質を推定するために使用される。
提案手法に基づき,5つの決定木学習アルゴリズムを評価した。
関連論文リスト
- 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) - Tree-Based Adaptive Model Learning [62.997667081978825]
我々はKearns-Vazirani学習アルゴリズムを拡張し、時間とともに変化するシステムを扱う。
本稿では,学習前の動作を再利用し,更新し,LearnerLibライブラリに実装し,大規模な実例で評価する学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-08-31T21:24:22Z) - Towards Diverse Evaluation of Class Incremental Learning: A Representation Learning Perspective [67.45111837188685]
クラスインクリメンタル学習(CIL)アルゴリズムは、インクリメンタルに到着したデータから新しいオブジェクトクラスを継続的に学習することを目的としている。
表現学習における様々な評価プロトコルを用いて,CILアルゴリズムによって訓練されたニューラルネットワークモデルを実験的に解析する。
論文 参考訳（メタデータ） (2022-06-16T11:44:11Z) - Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。
本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
論文 参考訳（メタデータ） (2021-06-17T17:26:31Z) - Chow-Liu++: Optimal Prediction-Centric Learning of Tree Ising Models [30.62276301751904]
我々は、Chow-Liuアルゴリズムの要素とツリーメートル法を組み合わせた新しいアルゴリズムを提案する。
我々のアルゴリズムは不特定性や敵の腐敗をモデル化するのに堅牢である。
論文 参考訳（メタデータ） (2021-06-07T21:09:29Z) - Learning Accurate Decision Trees with Bandit Feedback via Quantized
Gradient Descent [18.7724096545556]
決定木は非常に非線形で効率的なモデルの豊かな家族を提供します。
しかし、ツリーの学習は、非常に離散的で差別化できない決定境界のために難しい問題です。
より条件のよい勾配を与える木学習問題の定式化を提案する。
論文 参考訳（メタデータ） (2021-02-15T14:10:07Z) - Evolving Reinforcement Learning Algorithms [186.62294652057062]
メタラーニング強化学習アルゴリズムの手法を提案する。
学習アルゴリズムはドメインに依存しないため、トレーニング中に見えない新しい環境に一般化することができる。
従来の制御タスク、gridworld型タスク、atariゲームよりも優れた一般化性能を得る2つの学習アルゴリズムに注目した。
論文 参考訳（メタデータ） (2021-01-08T18:55:07Z) - 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) - Deep Reinforcement Learning for Adaptive Learning Systems [4.8685842576962095]
学習者の潜在特性に基づいて,個別化学習計画の探索方法の問題点を定式化する。
最適な学習ポリシーを効果的に見つけることができるモデルフリーの深層強化学習アルゴリズムを適用した。
また,ニューラルネットワークを用いて学習者の学習過程をエミュレートする遷移モデル推定器を開発した。
論文 参考訳（メタデータ） (2020-04-17T18:04:03Z) - Automatic Gesture Recognition in Robot-assisted Surgery with
Reinforcement Learning and Tree Search [63.07088785532908]
共同手術におけるジェスチャー分割と分類のための強化学習と木探索に基づく枠組みを提案する。
我々のフレームワークは,JIGSAWSデータセットのサチューリングタスクにおいて,精度,編集スコア,F1スコアの点で,既存の手法よりも一貫して優れています。
論文 参考訳（メタデータ） (2020-02-20T13:12:38Z)
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。