論文の概要: Machine Learning Approach and Extreme Value Theory to Correlated
Stochastic Time Series with Application to Tree Ring Data
- arxiv url: http://arxiv.org/abs/2301.11488v1
- Date: Fri, 27 Jan 2023 01:44:43 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-30 16:50:12.380789
- Title: Machine Learning Approach and Extreme Value Theory to Correlated
Stochastic Time Series with Application to Tree Ring Data
- Title（参考訳）: 機械学習のアプローチと極値理論による関係確率時系列とツリーリングデータへの応用
- Authors: Omar Alzeley, Sadiah Aljeddani
- Abstract要約: 木輪の成長は, 建築や環境史の研究など, 様々な面で実装された。
本研究の目的は,ノッティンガムシャーで栽培されている9本の樹木の樹輪幅データを解析するために,MLアルゴリズムとエクストリーム値理論を用いることである。
- 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: The main goal of machine learning (ML) is to study and improve mathematical
models which can be trained with data provided by the environment to infer the
future and to make decisions without necessarily having complete knowledge of
all influencing elements. In this work, we describe how ML can be a powerful
tool in studying climate modeling. Tree ring growth was used as an
implementation in different aspects, for example, studying the history of
buildings and environment. By growing and via the time, a new layer of wood to
beneath its bark by the tree. After years of growing, time series can be
applied via a sequence of tree ring widths. The purpose of this paper is to use
ML algorithms and Extreme Value Theory in order to analyse a set of tree ring
widths data from nine trees growing in Nottinghamshire. Initially, we start by
exploring the data through a variety of descriptive statistical approaches.
Transforming data is important at this stage to find out any problem in
modelling algorithm. We then use algorithm tuning and ensemble methods to
improve the k-nearest neighbors (KNN) algorithm. A comparison between the
developed method in this study ad other methods are applied. Also, extreme
value of the dataset will be more investigated. The results of the analysis
study show that the ML algorithms in the Random Forest method would give
accurate results in the analysis of tree ring widths data from nine trees
growing in Nottinghamshire with the lowest Root Mean Square Error value. Also,
we notice that as the assumed ARMA model parameters increased, the probability
of selecting the true model also increased. In terms of the Extreme Value
Theory, the Weibull distribution would be a good choice to model tree ring
data.
- Abstract（参考訳）: 機械学習(ML)の主目的は、未来を推測するために環境が提供するデータで訓練できる数学的モデルの研究と改善であり、すべての要素について必ずしも完全な知識を持っていない。
本研究では,気候モデル研究においてMLが強力なツールとなる方法について述べる。
樹木の環の成長は、建物や環境の歴史を研究するなど、様々な側面における実装として使われた。
成長と時間を通じて、樹皮の下の樹皮の下に新しい木の層が形成される。
成長の数年後、時系列は一連のツリーリング幅を通して適用できる。
本研究の目的は,ノッティンガムシャーで栽培されている9本の樹木の樹輪幅データを解析するために,MLアルゴリズムとエクストリーム値理論を用いることである。
最初は、さまざまな記述的な統計的アプローチを通してデータを探索することから始めます。
この段階ではデータ変換が重要であり、モデリングアルゴリズムのあらゆる問題を見つける。
k-nearest neighbors (knn) アルゴリズムを改善するためにアルゴリズムチューニングとアンサンブル法を用いる。
本研究で開発した手法と他の手法との比較を行った。
また、データセットの極端な値はより調査される。
解析の結果,ランダムフォレスト法におけるMLアルゴリズムは,ノッティンガムシャーで生育する9本の樹木の樹輪幅データを,ルート平均角誤差値が最も低い値で解析した結果が得られた。
また, 推定ARMAモデルパラメータが増加するにつれて, 真のモデルを選択する確率も増加することがわかった。
極値理論の観点では、ワイブル分布は木環データをモデル化するのによい選択である。
関連論文リスト
- Tree-of-Traversals: A Zero-Shot Reasoning Algorithm for Augmenting Black-box Language Models with Knowledge Graphs [72.89652710634051]
知識グラフ(KG)は、信頼性があり、構造化され、ドメイン固有であり、最新の外部知識を提供することで、Large Language Models(LLM)を補完する。
そこで本研究では,ゼロショット推論アルゴリズムであるTree-of-Traversalsを導入する。
論文 参考訳（メタデータ） (2024-07-31T06:01:24Z) - SETAR-Tree: A Novel and Accurate Tree Algorithm for Global Time Series
Forecasting [7.206754802573034]
本稿では,TARモデルと回帰木との密接な関係について検討する。
本研究では,葉のグローバルプール回帰(PR)モデルをトレーニングする,予測固有木アルゴリズムを提案する。
本評価では, 提案した樹木モデルと森林モデルを用いて, 最先端の樹木モデルよりも精度の高い木モデルを提案する。
論文 参考訳（メタデータ） (2022-11-16T04:30:42Z) - An Approximation Method for Fitted Random Forests [0.0]
本研究では,葉にデータポイントを割り当てたランダムフォレストモデルを用いて,各木を近似する手法について検討した。
具体的には,多項ロジスティック回帰の適合が予測品質を保ちながらサイズを減少させるかどうかを考察することから始める。
論文 参考訳（メタデータ） (2022-07-05T17:28:52Z) - Hierarchical Shrinkage: improving the accuracy and interpretability of
tree-based methods [10.289846887751079]
木構造を改変しないポストホックアルゴリズムである階層収縮(Hierarchical Shrinkage, HS)を導入する。
HSは、他の正規化技術と併用しても、決定木の予測性能を大幅に向上させる。
すべてのコードとモデルはGithubにある本格的なパッケージでリリースされている。
論文 参考訳（メタデータ） (2022-02-02T02:43:23Z) - Scaling Structured Inference with Randomization [64.18063627155128]
本稿では、構造化されたモデルを数万の潜在状態に拡張するためにランダム化された動的プログラミング(RDP)のファミリを提案する。
我々の手法は古典的DPベースの推論に広く適用できる。
また、自動微分とも互換性があり、ニューラルネットワークとシームレスに統合できる。
論文 参考訳（メタデータ） (2021-12-07T11:26:41Z) - Active-LATHE: An Active Learning Algorithm for Boosting the Error
Exponent for Learning Homogeneous Ising Trees [75.93186954061943]
我々は、$rho$が少なくとも0.8$である場合に、エラー指数を少なくとも40%向上させるアルゴリズムを設計し、分析する。
我々の分析は、グラフの一部により多くのデータを割り当てるために、微小だが検出可能なサンプルの統計的変動を巧みに活用することに基づいている。
論文 参考訳（メタデータ） (2021-10-27T10:45:21Z) - Memory-Based Optimization Methods for Model-Agnostic Meta-Learning and
Personalized Federated Learning [56.17603785248675]
モデルに依存しないメタラーニング (MAML) が人気のある研究分野となっている。
既存のMAMLアルゴリズムは、イテレーション毎にメタモデルを更新するためにいくつかのタスクとデータポイントをサンプリングすることで、エピソードのアイデアに依存している。
本稿では,MAMLのメモリベースアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-06-09T08:47:58Z) - 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) - Dive into Decision Trees and Forests: A Theoretical Demonstration [0.0]
決定木は"divide-and-conquer"の戦略を使用して、入力機能とラベル間の依存性に関する複雑な問題を小さなものに分割します。
近年, 計算広告, 推薦システム, 情報検索などの性能が大幅に向上している。
論文 参考訳（メタデータ） (2021-01-20T16:47:59Z) - 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)
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。