Fugu-MT 論文翻訳(概要): Yelp Review Rating Prediction: Machine Learning and Deep Learning Models

論文の概要: Yelp Review Rating Prediction: Machine Learning and Deep Learning Models

arxiv url: http://arxiv.org/abs/2012.06690v1
Date: Sat, 12 Dec 2020 01:07:48 GMT
ステータス: 処理完了
システム内更新日: 2021-05-10 05:25:03.764994
Title: Yelp Review Rating Prediction: Machine Learning and Deep Learning Models
Title（参考訳）: Yelpがレーティング予測をレビュー - マシンラーニングとディープラーニングモデル
Authors: Zefang Liu
Abstract要約: Yelp Openデータセットに基づいてYelpのレビューからレストランの格付けを予測する。 Naive Bayes、Logistic Regression、Random Forest、Linear Support Vector Machineを含む4つの機械学習モデルが実装されている。 XLNetは5つ星分類の精度を64%のロジスティック回帰と比較すると70%の精度で達成している。
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: We predict restaurant ratings from Yelp reviews based on Yelp Open Dataset. Data distribution is presented, and one balanced training dataset is built. Two vectorizers are experimented for feature engineering. Four machine learning models including Naive Bayes, Logistic Regression, Random Forest, and Linear Support Vector Machine are implemented. Four transformer-based models containing BERT, DistilBERT, RoBERTa, and XLNet are also applied. Accuracy, weighted F1 score, and confusion matrix are used for model evaluation. XLNet achieves 70% accuracy for 5-star classification compared with Logistic Regression with 64% accuracy.
Abstract（参考訳）: Yelp Open Datasetに基づいてYelpのレビューからレストランの格付けを予測する。データ配布を示し、1つのバランスの取れたトレーニングデータセットを構築します。特徴工学のために2つのベクトル化器が実験されている。 Naive Bayes、Logistic Regression、Random Forest、Linear Support Vector Machineを含む4つの機械学習モデルが実装されている。また、BERT、DistilBERT、RoBERTa、XLNetを含む4つのトランスモデルを適用した。モデル評価には精度、重み付きf1スコア、混乱行列が用いられる。 XLNetは5つ星分類の精度を64%のロジスティック回帰と比較すると70%の精度で達成している。

関連論文リスト

Squeezing Lemons with Hammers: An Evaluation of AutoML and Tabular Deep Learning for Data-Scarce Classification Applications [2.663744975320783]
L2正規化ロジスティック回帰は、最先端の自動機械学習(AutoML)フレームワークと同様の性能を発揮する。データスカースアプリケーションの第1選択として、ロジスティック回帰を考慮することをお勧めします。
論文参考訳（メタデータ） (2024-05-13T11:43:38Z)
Stochastic Approximation Approach to Federated Machine Learning [0.0]
本稿では、近似(SA)フレームワークにおけるフェデレートラーニング(FL)について検討する。 FLは、さまざまな参加者やクライアント間でニューラルネットワークモデルをトレーニングする、協調的な方法である。提案アルゴリズムは頑健であり,より信頼性の高い重み推定を行う。
論文参考訳（メタデータ） (2024-02-20T12:00:25Z)
OLR-WA Online Regression with Weighted Average [0.0]
機械学習モデルをトレーニングするための新しいオンライン線形回帰手法を導入する。導入されたモデルはOLR-WAと呼ばれ、データ変更時に柔軟性を提供するためにユーザ定義の重みを使用する。一貫性のあるデータに対して、OLR-WAと静的バッチモデルも同様に、そして様々なデータに対して、ユーザがOLR-WAをより迅速に適応するように設定したり、変更に抵抗したりすることができる。
論文参考訳（メタデータ） (2023-07-06T06:39:27Z)
Convolutional Neural Networks for the classification of glitches in gravitational-wave data streams [52.77024349608834]
我々は、高度LIGO検出器のデータから過渡ノイズ信号(グリッチ)と重力波を分類する。どちらも、Gravity Spyデータセットを使用して、スクラッチからトレーニングされた、教師付き学習アプローチのモデルを使用します。また、擬似ラベルの自動生成による事前学習モデルの自己教師型アプローチについても検討する。
論文参考訳（メタデータ） (2023-03-24T11:12:37Z)
Effective Robustness against Natural Distribution Shifts for Models with Different Training Data [113.21868839569]
効果的ロバスト性」は、分配内(ID)性能から予測できる以上の余分な分配外ロバスト性を測定する。異なるデータに基づいてトレーニングされたモデルの有効ロバスト性を評価・比較するための新しい評価指標を提案する。
論文参考訳（メタデータ） (2023-02-02T19:28:41Z)
CurFi: An automated tool to find the best regression analysis model using curve fitting [0.0]
線形回帰モデルを用いて曲線をデータセットに適合させる曲線フィッティングシステム「CurFi」を開発した。このシステムはデータセットのアップロードを容易にし、データセットをトレーニングセットとテストセットに分割し、関連する機能とデータセットからのラベルを選択する。
論文参考訳（メタデータ） (2022-05-16T16:52:10Z)
Sim-to-Real 6D Object Pose Estimation via Iterative Self-training for Robotic Bin-picking [98.5984733963713]
コスト効率の良いロボットグルーピングを容易にするために,シミュレート・トゥ・リアルな6次元オブジェクトのポーズ推定のための反復的自己学習フレームワークを提案する。我々は、豊富な仮想データを合成するためのフォトリアリスティックシミュレータを構築し、これを初期ポーズ推定ネットワークのトレーニングに利用する。このネットワークは教師モデルの役割を担い、未ラベルの実データに対するポーズ予測を生成する。
論文参考訳（メタデータ） (2022-04-14T15:54:01Z)
Transforming Model Prediction for Tracking [109.08417327309937]
トランスフォーマーは、誘導バイアスの少ないグローバルな関係を捉え、より強力なターゲットモデルの予測を学ぶことができる。提案したトラッカーをエンドツーエンドにトレーニングし、複数のトラッカーデータセットに関する総合的な実験を行うことで、その性能を検証する。我々のトラッカーは3つのベンチマークで新しい技術状態を設定し、挑戦的なLaSOTデータセットで68.5%のAUCを達成した。
論文参考訳（メタデータ） (2022-03-21T17:59:40Z)
Machine Learning Models in Stock Market Prediction [0.0]
本論文は,8つの教師付き機械学習モデルを用いて,ニフティ50指数を予測することに焦点を当てている。実験は、1996年4月22日から2021年4月16日までのインド株式市場ニフティ50指数の歴史的データに基づいている。
論文参考訳（メタデータ） (2022-02-06T10:33:42Z)
ALT-MAS: A Data-Efficient Framework for Active Testing of Machine Learning Algorithms [58.684954492439424]
少量のラベル付きテストデータのみを用いて機械学習モデルを効率的にテストする新しいフレームワークを提案する。ベイズニューラルネットワーク(bnn)を用いたモデルアンダーテストの関心指標の推定が目的である。
論文参考訳（メタデータ） (2021-04-11T12:14:04Z)
Fast, Accurate, and Simple Models for Tabular Data via Augmented Distillation [97.42894942391575]
本研究では、FAST-DADを用いて、任意の複雑なアンサンブル予測を、高木、無作為林、深層ネットワークなどの個々のモデルに抽出する。我々の個々の蒸留モデルは、H2O/AutoSklearnのようなAutoMLツールが生成するアンサンブル予測よりも10倍高速で精度が高い。
論文参考訳（メタデータ） (2020-06-25T09:57:47Z)

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。