論文の概要: Predicting Winners of the Reality TV Dating Show $\textit{The Bachelor}$
Using Machine Learning Algorithms
- arxiv url: http://arxiv.org/abs/2203.16648v1
- Date: Wed, 30 Mar 2022 20:00:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-02 10:53:32.097144
- Title: Predicting Winners of the Reality TV Dating Show $\textit{The Bachelor}$
Using Machine Learning Algorithms
- Title（参考訳）: 機械学習アルゴリズムを使ったリアリティーtv出会い番組「$\textit{the bachelor}$」の勝者予測
- Authors: Abigail J. Lee, Grace E. Chesmore, Kyle A. Rocha, Amanda Farah, Maryum
Sayeed, Justin Myles
- Abstract要約: 私たちは3つの機械学習モデルをトレーニングし、textitThe Bachelor$で、成功した競合者の理想的な特性を予測しました。
北西から26歳、白人はダンサーとして働き、週6で1-on-1を受け取り、第一印象のローズを受け取らなかった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: $\textit{The Bachelor}$ is a reality TV dating show in which a single
bachelor selects his wife from a pool of approximately 30 female contestants
over eight weeks of filming (American Broadcasting Company 2002). We collected
the following data on all 422 contestants that participated in seasons 11
through 25: their Age, Hometown, Career, Race, Week they got their first 1-on-1
date, whether they got the first impression rose, and what "place" they ended
up getting. We then trained three machine learning models to predict the ideal
characteristics of a successful contestant on $\textit{The Bachelor}$. The
three algorithms that we tested were: random forest classification, neural
networks, and linear regression. We found consistency across all three models,
although the neural network performed the best overall. Our models found that a
woman has the highest probability of progressing far on $\textit{The Bachelor}$
if she is: 26 years old, white, from the Northwest, works as an dancer,
received a 1-on-1 in week 6, and did not receive the First Impression Rose. Our
methodology is broadly applicable to all romantic reality television, and our
results will inform future $\textit{The Bachelor}$ production and contestant
strategies. While our models were relatively successful, we still encountered
high misclassification rates. This may be because: (1) Our training dataset had
fewer than 400 points or (2) Our models were too simple to parameterize the
complex romantic connections contestants forge over the course of a season.
- Abstract（参考訳）: $\textit{The Bachelor}$は8週間の撮影期間に約30人の女性コンテスト参加者のプールから1人の独身が妻を選ぶリアリティ番組である(American Broadcasting Company 2002)。
11～25シーズンに出場した422名(年齢、出身地、キャリア、レース、ウィーク)について、最初の1対1のデート、最初の印象が上昇したかどうか、そして最終的に得られる「場所」について、以下のデータを集めました。
次に、3つの機械学習モデルをトレーニングし、$\textit{The Bachelor}$で、成功した競合者の理想的な特性を予測する。
私たちがテストした3つのアルゴリズムは、ランダムフォレスト分類、ニューラルネットワーク、線形回帰です。
3つのモデルで一貫性を見出したが、ニューラルネットワークは全体として最高に機能した。
われわれのモデルでは、女性が$\textit{The Bachelor}$で最も進歩する確率が最も高いのは、北西から26歳、白人がダンサーとして働き、週6で1オン1を受け取り、第一印象のバラを受け取らなかったことである。
我々の手法は、すべてのロマンチックなリアリティーテレビに広く適用されており、われわれの結果は将来の$\textit{The Bachelor}$生産と競争戦略を知らせる。
我々のモデルは比較的成功したが、それでも高い誤分類率に遭遇した。
1) トレーニングデータセットが400点未満であったり,(2) シーズンを通じて複雑なロマンチックなつながりをパラメータ化するには,モデルがあまりにも単純であったりする。
関連論文リスト
- MME-RealWorld: Could Your Multimodal LLM Challenge High-Resolution Real-World Scenarios that are Difficult for Humans? [64.00906432603817]
MME-RealWorldは、これまでで最大の手動アノテーション付きベンチマークであり、最も高解像度で、現実世界のアプリケーションに焦点を当てている。
私たちの結果は、最も先進的なモデルでさえベンチマークに苦戦していることを示しています。
論文 参考訳（メタデータ） (2024-08-23T17:59:51Z) - Dataset Distribution Impacts Model Fairness: Single vs. Multi-Task Learning [2.9530211066840417]
ResNetベースのCNNを用いて皮膚病変分類の性能を評価する。
患者性やクラスラベルの異なるデータセットを生成するための線形プログラミング手法を提案する。
論文 参考訳（メタデータ） (2024-07-24T15:23:26Z) - The SkatingVerse Workshop & Challenge: Methods and Results [137.81522563074287]
SkatingVerse Workshop & Challengeは、人間の行動理解のための新規で正確な方法の研究を促進することを目的としている。
SkatingVerse Challengeで使用されるデータセットが公開された。
世界中から参加する約10チームがSkatingVerse Challengeに出場した。
論文 参考訳（メタデータ） (2024-05-27T14:12:07Z) - Language models scale reliably with over-training and on downstream tasks [121.69867718185125]
スケーリング法則は、高価なトレーニング実行を引き出すための有用なガイドである。
しかし、現在の研究と言語モデルがどのように訓練されているかには差がある。
対照的に、スケーリング法則は主に推論における損失を予測するが、モデルは通常下流のタスクのパフォーマンスで比較される。
論文 参考訳（メタデータ） (2024-03-13T13:54:00Z) - Harvest Video Foundation Models via Efficient Post-Pretraining [67.30842563833185]
本稿では,画像から映像基盤モデルを抽出する効率的なフレームワークを提案する。
提案手法は,入力ビデオパッチをランダムにドロップし,プレトレーニング後の入力テキストをマスクアウトすることで,直感的に簡単である。
提案手法は,プレトレーニング済みの映像基盤モデルに匹敵する,最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2023-10-30T14:06:16Z) - Language Models Get a Gender Makeover: Mitigating Gender Bias with
Few-Shot Data Interventions [50.67412723291881]
事前訓練された大きな言語モデルに存在する社会的バイアスが重要な問題である。
我々は,事前学習モデルにおける性別バイアスを低減するために,データ介入戦略を強力かつ簡単な手法として提案する。
論文 参考訳（メタデータ） (2023-06-07T16:50:03Z) - Not All Models Are Equal: Predicting Model Transferability in a
Self-challenging Fisher Space [51.62131362670815]
本稿では、トレーニング済みのディープニューラルネットワークのランク付けと、下流タスクにおける最も転送可能なニューラルネットワークのスクリーニングの問題に対処する。
textbfSelf-challenging textbfFisher textbfDiscriminant textbfAnalysis (textbfSFDA)と呼ばれる新しい転送可能性指標を提案する。
論文 参考訳（メタデータ） (2022-07-07T01:33:25Z) - Deep Multi-Task Models for Misogyny Identification and Categorization on
Arabic Social Media [6.6410040715586005]
本稿では,最初のアラビア語ミソジニー識別共有タスクについて提案する。
3つのマルチタスク学習モデルと1つのタスク学習モデルについて検討する。
入力テキストを符号化するために、我々のモデルは事前訓練されたMARBERT言語モデルに依存している。
論文 参考訳（メタデータ） (2022-06-16T18:54:37Z) - Modeling the EdNet Dataset with Logistic Regression [0.0]
私たちは、教育データマイニングの観点から競争の経験を説明します。
我々は,kaggleシステムにおける基礎的結果と,その改善の可能性について考察した。
論文 参考訳（メタデータ） (2021-05-17T20:30:36Z) - Grading video interviews with fairness considerations [1.7403133838762446]
本稿では,質問に対するビデオ応答に基づいて,候補者の社会的スキルを自動的に導き出す手法を提案する。
社会的スキルを予測するための2つの機械学習モデルを開発した。
我々は、人種と性別によるモデルの誤りを研究することによって、公正さを分析する。
論文 参考訳（メタデータ） (2020-07-02T10:06:13Z) - Neural Game Engine: Accurate learning of generalizable forward models
from pixels [0.0]
本稿では,ピクセルから直接モデルを学習する手段として,ニューラルゲームエンジンを紹介する。
10の決定論的汎用ビデオゲームAIゲームの結果は、競争力のあるパフォーマンスを示している。
論文 参考訳（メタデータ） (2020-03-23T20:04:55Z)
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。