Fugu-MT 論文翻訳(概要): Integration of Feature Selection Techniques using a Sleep Quality Dataset for Comparing Regression Algorithms

論文の概要: Integration of Feature Selection Techniques using a Sleep Quality Dataset for Comparing Regression Algorithms

arxiv url: http://arxiv.org/abs/2303.02467v1
Date: Sat, 4 Mar 2023 17:58:25 GMT
ステータス: 処理完了
システム内更新日: 2023-03-07 19:30:03.978095
Title: Integration of Feature Selection Techniques using a Sleep Quality Dataset for Comparing Regression Algorithms
Title（参考訳）: 回帰アルゴリズム比較のための睡眠品質データセットを用いた特徴選択手法の統合
Authors: Sai Rohith Tanuku and Venkat Tummala
Abstract要約: その結果,特徴選択法と回帰アルゴリズムの最適組み合わせについて比較した。この研究の結論は、機械学習を用いた睡眠品質予測の現在の文献を豊かにし、個人の睡眠推奨をパーソナライズするための実践的な重要性を持っている。
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: This research aims to examine the usefulness of integrating various feature selection methods with regression algorithms for sleep quality prediction. A publicly accessible sleep quality dataset is used to analyze the effect of different feature selection techniques on the performance of four regression algorithms - Linear regression, Ridge regression, Lasso Regression and Random Forest Regressor. The results are compared to determine the optimal combination of feature selection techniques and regression algorithms. The conclusion of the study enriches the current literature on using machine learning for sleep quality prediction and has practical significance for personalizing sleep recommendations for individuals.
Abstract（参考訳）: 本研究は,様々な特徴選択法と回帰アルゴリズムの統合による睡眠品質予測の有用性を検討することを目的とした。一般にアクセス可能な睡眠品質データセットを使用して、線形回帰、リッジ回帰、ラッソ回帰、ランダムフォレスト回帰という4つの回帰アルゴリズムのパフォーマンスに対する異なる特徴選択テクニックの効果を分析する。この結果を比較し,特徴選択手法と回帰アルゴリズムの最適組み合わせを決定する。本研究の結論は、睡眠品質予測に機械学習を用いた最近の文献を豊かにするとともに、個人の睡眠推奨をパーソナライズするための実践的意義を有する。

関連論文リスト

Adaptive Preference Scaling for Reinforcement Learning with Human Feedback [103.36048042664768]
人間からのフィードバックからの強化学習(RLHF)は、AIシステムと人間の価値を合わせるための一般的なアプローチである。本稿では,分散ロバスト最適化(DRO)に基づく適応的優先損失を提案する。提案手法は多用途であり,様々な選好最適化フレームワークに容易に適用可能である。
論文参考訳（メタデータ） (2024-06-04T20:33:22Z)
Guiding adaptive shrinkage by co-data to improve regression-based prediction and feature selection [0.3867363075280544]
特徴の相補的データである「コデータ」が結果を改善することは広く認識されている。このようなコデータは、公開リポジトリが利用できるため、ゲノム設定においてユビキタスである。本稿では,コデータを用いた回帰学習者のクラスである適応縮小法について概説する。
論文参考訳（メタデータ） (2024-05-08T09:38:11Z)
Meta-Learning with Generalized Ridge Regression: High-dimensional Asymptotics, Optimality and Hyper-covariance Estimation [14.194212772887699]
本研究では,高次元ランダム効果線形モデルの枠組みにおけるメタラーニングについて考察する。本研究では,データ次元がタスク毎のサンプル数に比例して大きくなる場合に,新しいテストタスクに対する予測リスクの正確な振る舞いを示す。トレーニングタスクのデータに基づいて,逆回帰係数を推定する手法を提案し,解析する。
論文参考訳（メタデータ） (2024-03-27T21:18:43Z)
A Performance-Driven Benchmark for Feature Selection in Tabular Deep Learning [131.2910403490434]
データサイエンティストは通常、データセットにできるだけ多くの機能を集め、既存の機能から新しい機能を設計する。既存のタブ形式の特徴選択のためのベンチマークでは、古典的な下流モデル、おもちゃの合成データセット、あるいは下流のパフォーマンスに基づいて特徴セレクタを評価していない。変換器を含む下流ニューラルネットワーク上で評価された課題のある特徴選択ベンチマークを構築した。また,従来の特徴選択法よりも高い性能を有するニューラルネットワークのための,Lassoのインプット・グラディエント・ベース・アナログも提案する。
論文参考訳（メタデータ） (2023-11-10T05:26:10Z)
TRIAGE: Characterizing and auditing training data for improved regression [80.11415390605215]
TRIAGEは回帰タスクに適した新しいデータキャラクタリゼーションフレームワークで、広範囲の回帰器と互換性がある。 TRIAGEは、共形予測分布を利用して、モデルに依存しないスコアリング方法、TRIAGEスコアを提供する。 TRIAGEの特徴は一貫性があり、複数の回帰設定においてデータの彫刻/フィルタリングによるパフォーマンス向上に有効であることを示す。
論文参考訳（メタデータ） (2023-10-29T10:31:59Z)
Sample Complexity of Preference-Based Nonparametric Off-Policy Evaluation with Deep Networks [58.469818546042696]
我々は、OPEのサンプル効率を人間の好みで研究し、その統計的保証を確立する。 ReLUネットワークのサイズを適切に選択することにより、マルコフ決定過程において任意の低次元多様体構造を活用できることが示される。
論文参考訳（メタデータ） (2023-10-16T16:27:06Z)
FAStEN: An Efficient Adaptive Method for Feature Selection and Estimation in High-Dimensional Functional Regressions [7.674715791336311]
本稿では,スパース関数オン・ファンクション回帰問題において特徴選択を行うための,新しい,柔軟な,超効率的なアプローチを提案する。我々はそれをスカラー・オン・ファンクション・フレームワークに拡張する方法を示す。 AOMIC PIOP1による脳MRIデータへの応用について述べる。
論文参考訳（メタデータ） (2023-03-26T19:41:17Z)
Regression with Label Differential Privacy [64.21020761920322]
与えられた回帰損失関数の下で最適なラベルDPランダム化機構を導出する。我々は、最適メカニズムが「ビンのランダム化応答」の形をとることを証明した。
論文参考訳（メタデータ） (2022-12-12T17:41:32Z)
On Feature Selection Using Anisotropic General Regression Neural Network [3.880707330499936]
入力データセットに無関係な特徴が存在することは、機械学習モデルの解釈可能性と予測品質を低下させる傾向がある。本稿では, 一般回帰ニューラルネットワークと異方性ガウスカーネルを併用して特徴選択を行う方法を示す。
論文参考訳（メタデータ） (2020-10-12T14:35:40Z)
Landscape-Aware Fixed-Budget Performance Regression and Algorithm Selection for Modular CMA-ES Variants [1.0965065178451106]
市販の教師あり学習手法を用いて,高品質な性能予測が可能であることを示す。このアプローチを,モジュール型CMA-ESアルゴリズム群から選択した,非常に類似したアルゴリズムのポートフォリオ上でテストする。
論文参考訳（メタデータ） (2020-06-17T13:34:57Z)
Optimal Feature Manipulation Attacks Against Linear Regression [64.54500628124511]
本稿では,データセットに慎重に設計した有害なデータポイントを付加したり,元のデータポイントを修正したりすることで,線形回帰による係数の操作方法について検討する。エネルギー予算を考慮し, 目標が指定された回帰係数を1つ変更する場合に, 最適毒素データ点の閉形式解をまず提示する。次に、攻撃者が1つの特定の回帰係数を変更しつつ、他をできるだけ小さく変更することを目的とした、より困難なシナリオに分析を拡張します。
論文参考訳（メタデータ） (2020-02-29T04:26:59Z)

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。