Fugu-MT 論文翻訳(概要): Building Trees for Probabilistic Prediction via Scoring Rules

論文の概要: Building Trees for Probabilistic Prediction via Scoring Rules

arxiv url: http://arxiv.org/abs/2402.11052v1
Date: Fri, 16 Feb 2024 20:04:13 GMT
ステータス: 処理完了
システム内更新日: 2024-02-20 23:51:28.820969
Title: Building Trees for Probabilistic Prediction via Scoring Rules
Title（参考訳）: Scoring Rulesによる確率予測木の構築
Authors: Sara Shashaani, Ozge Surer, Matthew Plumlee, Seth Guikema
Abstract要約: 非パラメトリックな予測分布を生成するために木を修正することを研究する。木を構築するための標準的な手法は、良い予測分布にはならないかもしれない。我々は,適切なスコアリングルールに基づいて,木の分割基準を1つに変更することを提案する。
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: Decision trees built with data remain in widespread use for nonparametric prediction. Predicting probability distributions is preferred over point predictions when uncertainty plays a prominent role in analysis and decision-making. We study modifying a tree to produce nonparametric predictive distributions. We find the standard method for building trees may not result in good predictive distributions and propose changing the splitting criteria for trees to one based on proper scoring rules. Analysis of both simulated data and several real datasets demonstrates that using these new splitting criteria results in trees with improved predictive properties considering the entire predictive distribution.
Abstract（参考訳）: データを用いた決定木は、非パラメトリック予測に広く使われている。確率分布の予測は、不確実性が分析や意思決定において顕著な役割を果たす点予測よりも好ましい。非パラメトリックな予測分布を生成するために木を改造する。木構築の標準手法は, よい予測分布を得られない可能性があり, 適切なスコアリングルールに基づいて, 木を分割基準に変更することを提案する。シミュレーションデータと実データの両方の解析により、これらの新たな分割基準を用いることで、予測分布全体を考慮した予測特性が改善された。

関連論文リスト

Ensembles of Probabilistic Regression Trees [46.53457774230618]
木に基づくアンサンブル法は多くの応用や研究で回帰問題に成功している。本研究では,確率分布に関する各領域の観察を割り当てることで,目的関数のスムーズな近似を提供する確率回帰木のアンサンブルバージョンについて検討する。
論文参考訳（メタデータ） (2024-06-20T06:51:51Z)
Why do Random Forests Work? Understanding Tree Ensembles as Self-Regularizing Adaptive Smoothers [68.76846801719095]
統計学で広く普及している偏りと分散還元に対する現在の高次二分法は、木のアンサンブルを理解するには不十分である、と我々は主張する。森林は、通常暗黙的に絡み合っている3つの異なるメカニズムによって、樹木を改良できることを示す。
論文参考訳（メタデータ） (2024-02-02T15:36:43Z)
When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
確率的階層的時系列予測は時系列予測の重要な変種である。ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
論文参考訳（メタデータ） (2023-10-17T20:30:16Z)
Quantification of Predictive Uncertainty via Inference-Time Sampling [57.749601811982096]
本稿では,データあいまいさの予測不確実性を推定するためのポストホックサンプリング手法を提案する。この方法は与えられた入力に対して異なる可算出力を生成することができ、予測分布のパラメトリック形式を仮定しない。
論文参考訳（メタデータ） (2023-08-03T12:43:21Z)
Prediction Algorithms Achieving Bayesian Decision Theoretical Optimality Based on Decision Trees as Data Observation Processes [1.2774526936067927]
本稿では,データの背後にあるデータ観測過程を表現するために木を用いる。我々は、過度な適合に対して頑健な統計的に最適な予測を導出する。これをマルコフ連鎖モンテカルロ法により解き、ステップサイズは木の後方分布に応じて適応的に調整される。
論文参考訳（メタデータ） (2023-06-12T12:14:57Z)
When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
確率的階層的時系列予測は時系列予測の重要な変種である。ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
論文参考訳（メタデータ） (2022-06-16T06:13:53Z)
On Uncertainty Estimation by Tree-based Surrogate Models in Sequential Model-based Optimization [13.52611859628841]
予測不確実性推定の観点から,ランダム化木の様々なアンサンブルを再検討し,その挙動について検討する。 BwO林と呼ばれる無作為な樹木のアンサンブルを構築するための新しい手法を提案する。実験により,既存の樹木モデルに対するBwO林の有効性と性能について様々な状況で検証した。
論文参考訳（メタデータ） (2022-02-22T04:50:37Z)
Achieving Reliable Causal Inference with Data-Mined Variables: A Random Forest Approach to the Measurement Error Problem [1.5749416770494704]
一般的な実証的戦略は、利用可能なデータから関心のある変数を'マイニング'する予測モデリング手法の適用を含む。最近の研究は、機械学習モデルからの予測は必然的に不完全であるため、予測変数に基づく計量分析は測定誤差によるバイアスに悩まされる可能性が高いことを強調している。ランダムフォレストと呼ばれるアンサンブル学習技術を用いて,これらのバイアスを軽減する新しい手法を提案する。
論文参考訳（メタデータ） (2020-12-19T21:48:23Z)
Handling Missing Data in Decision Trees: A Probabilistic Approach [41.259097100704324]
確率論的アプローチを採り、決定木で欠落したデータを扱う問題に対処する。我々は, トラクタブル密度推定器を用いて, モデルの「予測予測」を計算する。学習時には「予測予測損失」を最小限に抑えて学習済みの樹木の微調整パラメーターを微調整する。
論文参考訳（メタデータ） (2020-06-29T19:54:54Z)
Balance-Subsampled Stable Prediction [55.13512328954456]
本稿では, 分数分解設計理論に基づく新しいバランスサブサンプル安定予測法を提案する。設計理論解析により,提案手法は分布シフトによって誘導される予測器間の共起効果を低減できることを示した。合成および実世界の両方のデータセットに関する数値実験により、BSSPアルゴリズムは未知のテストデータ間で安定した予測を行うためのベースライン法を著しく上回っていることが示された。
論文参考訳（メタデータ） (2020-06-08T07:01:38Z)

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。