論文の概要: Divorce Prediction with Machine Learning: Insights and LIME Interpretability

• arxiv url: http://arxiv.org/abs/2310.08620v1
• Date: Thu, 12 Oct 2023 17:05:51 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-16 16:15:37.405723
• Title: Divorce Prediction with Machine Learning: Insights and LIME Interpretability
• Title（参考訳）: 機械学習による離婚予測:洞察とLIME解釈可能性
• Authors: Md Manjurul Ahsan
• Abstract要約: 離婚予測は「離婚予測データセット」と名づけられたデータセットを評価し、夫婦の離婚を正しく分類した。 予備的な計算結果は、SVM、KNN、LDAのようなアルゴリズムが98.57%の精度でそのタスクを実行できることを示している。 この研究の新たな貢献は、LIME(Local Interpretable Model-Agnostic Explanations)を用いた予測確率の詳細な、そして包括的な説明である。
• 参考スコア（独自算出の注目度）: 0.6118897979046375
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Divorce is one of the most common social issues in developed countries like in the United States. Almost 50% of the recent marriages turn into an involuntary divorce or separation. While it is evident that people vary to a different extent, and even over time, an incident like Divorce does not interrupt the individual's daily activities; still, Divorce has a severe effect on the individual's mental health, and personal life. Within the scope of this research, the divorce prediction was carried out by evaluating a dataset named by the 'divorce predictor dataset' to correctly classify between married and Divorce people using six different machine learning algorithms- Logistic Regression (LR), Linear Discriminant Analysis (LDA), K-Nearest Neighbors (KNN), Classification and Regression Trees (CART), Gaussian Na\"ive Bayes (NB), and, Support Vector Machines (SVM). Preliminary computational results show that algorithms such as SVM, KNN, and LDA, can perform that task with an accuracy of 98.57%. This work's additional novel contribution is the detailed and comprehensive explanation of prediction probabilities using Local Interpretable Model-Agnostic Explanations (LIME). Utilizing LIME to analyze test results illustrates the possibility of differentiating between divorced and married couples. Finally, we have developed a divorce predictor app considering ten most important features that potentially affect couples in making decisions in their divorce, such tools can be used by any one in order to identify their relationship condition.
• Abstract（参考訳）: 離婚はアメリカ合衆国のような先進国で最も一般的な社会問題の一つである。 最近の結婚の約50%は不随意の離婚または離婚になる。 人は様々であり、時が経つにつれて変わることは明らかであるが、Divorceのような出来事は個人の日常生活を妨げないが、Divorceは個人の精神状態や個人の生活に深刻な影響を与える。 本研究の範囲内では,6つの異なる機械学習アルゴリズム(ロジスティック回帰 (lr), 線形判別分析 (lda), k-nearest neighbors (knn), 分類と回帰木 (cart), gaussian na\"ive bayes (nb), サポートベクターマシン (svm) を用いて, 夫婦を正しく分類するために, 「離婚予測データセット」 が命名したデータセットを評価し, 離婚予測を行った。 予備的な計算結果は、SVM、KNN、LDAのようなアルゴリズムが98.57%の精度でそのタスクを実行できることを示している。 本研究の新たな貢献は、局所的解釈可能なモデル非依存説明(lime)を用いた予測確率の詳細な包括的説明である。 LIMEによる検査結果の分析は、離婚した夫婦の差別化の可能性を示している。 最後に,夫婦の離婚判断に影響を及ぼす可能性のある10の最も重要な機能を考慮した離婚予測アプリを開発した。

関連論文リスト

• Machine Learning Techniques with Fairness for Prediction of Completion of Drug and Alcohol Rehabilitation [0.0]
  本研究の目的は, 薬物・アルコールのリハビリテーションプログラムが完了するか, 出席回数を予測することである。 本研究は、オクラホマ州の薬物・アルコールリハビリテーションセンターの入院および退院データから得られた人口統計に基づく。
  論文  参考訳（メタデータ） (2024-04-23T18:09:53Z)
• ALJP: An Arabic Legal Judgment Prediction in Personal Status Cases Using Machine Learning Models [0.2678472239880052]
  本研究では,ディープラーニング(DL)と自然言語処理(NLP)技術を用いて,アラビア語のケーススクリプトから判定結果を予測するシステムを開発した。 TF-IDFや word2vec などの表現技術を用いて,サポートベクトルマシン(SVM),ロジスティック回帰(LR),長短短期記憶(LSTM),双方向長短期記憶(BiLSTM)などの異なる機械学習モデルを用いる。
  論文  参考訳（メタデータ） (2023-09-01T04:08:45Z)
• Gender Biases in Automatic Evaluation Metrics for Image Captioning [87.15170977240643]
  画像キャプションタスクのためのモデルに基づく評価指標において、性別バイアスの体系的研究を行う。 偏りのある世代と偏りのない世代を区別できないことを含む、これらの偏りのあるメトリクスを使用することによる負の結果を実証する。 人間の判断と相関を損なうことなく、測定バイアスを緩和する簡便で効果的な方法を提案する。
  論文  参考訳（メタデータ） (2023-05-24T04:27:40Z)
• ASPEST: Bridging the Gap Between Active Learning and Selective Prediction [56.001808843574395]
  選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。 アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。 本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
  論文  参考訳（メタデータ） (2023-04-07T23:51:07Z)
• Picking on the Same Person: Does Algorithmic Monoculture lead to Outcome Homogenization? [90.35044668396591]
  機械学習における繰り返しのテーマはアルゴリズムによるモノカルチャーである。同じシステム、またはコンポーネントを共有するシステムは、複数の意思決定者によってデプロイされる。 意思決定者がトレーニングデータや特定のモデルなどのコンポーネントを共有すれば、より均一な結果が得られます。 我々はこの仮説をアルゴリズムフェアネスベンチマークで検証し、トレーニングデータの共有がホモジェナイゼーションを確実に悪化させることを示した。 結果の均質化に関する哲学的分析と社会的な課題を、デプロイされた機械学習システムに含めることに着目して結論付ける。
  論文  参考訳（メタデータ） (2022-11-25T09:33:11Z)
• Locating disparities in machine learning [24.519488484614953]
  我々は、ALD(Automatic Location of Disparities)と呼ばれるデータ駆動型フレームワークを提案する。 ALDは、機械学習アルゴリズムにおける格差の特定を目的としている。 合成と実世界の両方のデータセットに基づくALDの有効性を示す。
  論文  参考訳（メタデータ） (2022-08-13T16:39:51Z)
• D-BIAS: A Causality-Based Human-in-the-Loop System for Tackling Algorithmic Bias [57.87117733071416]
  D-BIASは、人間のループ内AIアプローチを具現化し、社会的バイアスを監査し軽減する視覚対話型ツールである。 ユーザは、因果ネットワークにおける不公平な因果関係を識別することにより、グループに対する偏見の存在を検出することができる。 それぞれのインタラクション、例えばバイアスのある因果縁の弱体化/削除は、新しい(偏りのある)データセットをシミュレートするために、新しい方法を用いている。
  論文  参考訳（メタデータ） (2022-08-10T03:41:48Z)
• Fairness of Machine Learning Algorithms in Demography [0.0]
  この論文は、ロシアの人口統計データセットのモデルフェアネスとプロセスフェアネスの研究に費やされている。 我々は、ニューラルベースアプローチの"ドロップアウト"テクニックからインスピレーションを得て、プロセスの公正性に対処するために"フィーチャードロップアウト"を使用するモデルを提案した。
  論文  参考訳（メタデータ） (2022-02-02T13:12:35Z)
• Provable Guarantees for Self-Supervised Deep Learning with Spectral Contrastive Loss [72.62029620566925]
  自己教師型学習の最近の研究は、対照的な学習パラダイムを頼りに、最先端の技術の進歩を遂げている。 我々の研究は、正の対の条件的独立性を仮定することなく、対照的な学習を分析する。 本稿では,人口増分グラフ上でスペクトル分解を行う損失を提案し,コントラスト学習目的として簡潔に記述することができる。
  論文  参考訳（メタデータ） (2021-06-08T07:41:02Z)
• Can Active Learning Preemptively Mitigate Fairness Issues? [66.84854430781097]
  データセットバイアスは、機械学習における不公平な原因の1つです。 不確実性に基づくALで訓練されたモデルが保護クラスの決定において公平であるかどうかを検討する。 また,勾配反転(GRAD)やBALDなどのアルゴリズム的公正性手法の相互作用についても検討する。
  論文  参考訳（メタデータ） (2021-04-14T14:20:22Z)

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。