論文の概要: Decision Machines: Interpreting Decision Tree as a Model Combination
Method
- arxiv url: http://arxiv.org/abs/2101.11347v1
- Date: Wed, 27 Jan 2021 12:23:24 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-01 19:11:27.190061
- Title: Decision Machines: Interpreting Decision Tree as a Model Combination
Method
- Title(参考訳): 決定機械:モデル結合法として決定木を解釈する
- Authors: Jinxiong Zhang
- Abstract要約: 我々は二分決定木をコンパクトに表現する。
この定式化を連続関数で近似する。
そこで本研究では,いくつかの学習手法を統合するための選択予測手法を提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Based on decision trees, it is efficient to handle tabular data. Conventional
decision tree growth methods often result in suboptimal trees because of their
greedy nature. Their inherent structure limits the options of hardware to
implement decision trees in parallel. Here is a compact representation of
binary decision trees to overcome these deficiencies. We explicitly formulate
the dependence of prediction on binary tests for binary decision trees and
construct a function to guide the input sample from the root to the appropriate
leaf node. And based on this formulation we introduce a new interpretation of
binary decision trees. Then we approximate this formulation via continuous
functions. Finally, we interpret the decision tree as a model combination
method. And we propose the selection-prediction scheme to unify a few learning
methods.
- Abstract(参考訳): 決定木に基づいて表データの処理は効率的である。
従来の決定木成長法は、その欲深い性質のため、しばしば最適でない木になる。
その固有の構造は、ハードウェアが決定木を並列に実装するオプションを制限する。
ここでは、これらの欠陥を克服するためのバイナリ決定木をコンパクトに表現します。
バイナリ決定木に対するバイナリテストに対する予測の依存性を明示的に定式化し、入力サンプルをルートから適切なリーフノードに導く機能を構築します。
この定式化に基づいて,二分決定木の新しい解釈を導入する。
そして、この定式化を連続関数で近似する。
最後に,決定木をモデルコンビネーション手法として解釈する。
また,いくつかの学習手法を統一する選択予測方式を提案する。
関連論文リスト
- An Algorithmic Framework for Constructing Multiple Decision Trees by
Evaluating Their Combination Performance Throughout the Construction Process [1.8749305679160366]
決定木の組み合わせによる予測は機械学習に有効であることが知られている。
本稿では,決定木を同時に構築し,それらの組み合わせ性能を評価するアルゴリズムフレームワークを提案する。
論文 参考訳(メタデータ) (2024-02-09T14:58:07Z) - 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) - 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) - TreeDQN: Learning to minimize Branch-and-Bound tree [78.52895577861327]
Branch-and-Boundは、Mixed Linear Programsという形で最適化タスクを解決するための便利なアプローチである。
解法の効率は、分割する変数を選択するのに使用される分岐に依存する。
分岐を効率的に学習できる強化学習法を提案する。
論文 参考訳(メタデータ) (2023-06-09T14:01:26Z) - Construction of Decision Trees and Acyclic Decision Graphs from Decision
Rule Systems [0.0]
本稿では,決定木を構成する複雑さと決定木を表す非周期決定グラフについて考察する。
決定木全体を構築しない可能性について論じるが、与えられた入力に対して、この木で計算経路を記述する。
論文 参考訳(メタデータ) (2023-05-02T18:40:48Z) - Rethink Decision Tree Traversal [0.0]
textitQuickScorer が citelucchese2015quickscorer で動機づけた行列計算言語における二分決定木トラバーサルの評価法を示す。
我々の主な貢献は、決定木の階層構造を表す新しい行列表現である。
論文 参考訳(メタデータ) (2022-09-11T09:53:14Z) - Yet Another Representation of Binary Decision Trees: A Mathematical
Demonstration [0.0]
決定木はサイクルのない単純な計算グラフのように見える。
数値的な観点からは、計算グラフの言語で決定木を表現する。
論文 参考訳(メタデータ) (2021-01-18T13:50:14Z) - 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) - Convex Polytope Trees [57.56078843831244]
コンベックスポリトープ木(CPT)は、決定境界の解釈可能な一般化によって決定木の系統を拡張するために提案される。
木構造が与えられたとき,木パラメータに対するCPTおよび拡張性のあるエンドツーエンドトレーニングアルゴリズムを効率的に構築する。
論文 参考訳(メタデータ) (2020-10-21T19:38:57Z) - Rectified Decision Trees: Exploring the Landscape of Interpretable and
Effective Machine Learning [66.01622034708319]
我々は,reDT(rerectified decision tree)と呼ばれる知識蒸留に基づく決定木拡張を提案する。
我々は,ソフトラベルを用いたトレーニングを可能にする標準決定木の分割基準と終了条件を拡張した。
次に,教師モデルから抽出したソフトラベルに基づいて,新しいジャックニフェ法を用いてReDTを訓練する。
論文 参考訳(メタデータ) (2020-08-21T10:45:25Z) - 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)
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。