論文の概要: A New Random Forest Ensemble of Intuitionistic Fuzzy Decision Trees
- arxiv url: http://arxiv.org/abs/2403.07363v1
- Date: Tue, 12 Mar 2024 06:52:24 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-13 22:30:30.109791
- Title: A New Random Forest Ensemble of Intuitionistic Fuzzy Decision Trees
- Title（参考訳）: 直観主義的ファジィ決定木の新しいランダムフォレストアンサンブル
- Authors: Yingtao Ren, Xiaomin Zhu, Kaiyuan Bai, Runtong Zhang
- Abstract要約: 直観主義的ファジィ決定木(IFDT)のランダム森林アンサンブルを提案する。
提案手法は,ブートストラップサンプリングと特徴選択からランダム性のパワーを享受する。
本研究は,直観的ファジィ理論に基づくランダムな森林アンサンブルを提案する最初の試みである。
- 参考スコア（独自算出の注目度）: 6.370668561030069
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Classification is essential to the applications in the field of data mining,
artificial intelligence, and fault detection. There exists a strong need in
developing accurate, suitable, and efficient classification methods and
algorithms with broad applicability. Random forest is a general algorithm that
is often used for classification under complex conditions. Although it has been
widely adopted, its combination with diverse fuzzy theory is still worth
exploring. In this paper, we propose the intuitionistic fuzzy random forest
(IFRF), a new random forest ensemble of intuitionistic fuzzy decision trees
(IFDT). Such trees in forest use intuitionistic fuzzy information gain to
select features and consider hesitation in information transmission. The
proposed method enjoys the power of the randomness from bootstrapped sampling
and feature selection, the flexibility of fuzzy logic and fuzzy sets, and the
robustness of multiple classifier systems. Extensive experiments demonstrate
that the IFRF has competitative and superior performance compared to other
state-of-the-art fuzzy and ensemble algorithms. IFDT is more suitable for
ensemble learning with outstanding classification accuracy. This study is the
first to propose a random forest ensemble based on the intuitionistic fuzzy
theory.
- Abstract（参考訳）: 分類は、データマイニング、人工知能、障害検出といった分野の応用に不可欠である。
正確で適切で効率的な分類法やアルゴリズムを幅広い適用性で開発するのに強いニーズがある。
ランダムフォレスト(Random forest)は、複雑な条件下での分類によく用いられる一般的なアルゴリズムである。
広く採用されているが、様々なファジィ理論と組み合わせて探究する価値がある。
本稿では,直観的ファジィ決定木(ifdt)を用いた新しいランダム林である直観的ファジィ決定木(ifrf)を提案する。
森林のこのような木は直観主義的なファジィ情報ゲインを使って特徴を選び、情報伝達における迷信を考える。
提案手法は,ブートストラップによるサンプリングと特徴選択,ファジィ論理とファジィ集合の柔軟性,複数分類器システムの堅牢性からランダム性のパワーを享受する。
IFRFは、他の最先端ファジィおよびアンサンブルアルゴリズムと比較して、競争的で優れた性能を示す。
IFDTは優れた分類精度のアンサンブル学習に適している。
本研究は,直観的ファジィ理論に基づくランダムな森林アンサンブルを提案する最初の試みである。
関連論文リスト
- DynFrs: An Efficient Framework for Machine Unlearning in Random Forest [2.315324942451179]
DynFrsはランダムフォレストにおける効率的な機械学習を可能にするために設計されたフレームワークである。
実験では、DynfrsをExtremely Treesに適用すると、大幅に改善される。
論文 参考訳（メタデータ） (2024-10-02T14:20:30Z) - Adaptive Split Balancing for Optimal Random Forest [8.916614661563893]
そこで本研究では,新しい適応型分割バランス法を用いて木を構築するランダムフォレストアルゴリズムを提案する。
本手法は,データから木構造を適応的に学習しながら,シンプルでスムーズなシナリオで最適性を実現する。
論文 参考訳（メタデータ） (2024-02-17T09:10:40Z) - Optimal Multi-Distribution Learning [88.3008613028333]
マルチディストリビューション学習は、$k$の異なるデータ分散における最悪のリスクを最小限に抑える共有モデルを学ぶことを目指している。
本稿では, (d+k)/varepsilon2の順に, サンプルの複雑さを伴って, ヴァレプシロン最適ランダム化仮説を導出するアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-12-08T16:06:29Z) - The Cascaded Forward Algorithm for Neural Network Training [61.06444586991505]
本稿では,ニューラルネットワークのための新しい学習フレームワークであるCascaded Forward(CaFo)アルゴリズムを提案する。
FFとは異なり、我々のフレームワークは各カスケードブロックのラベル分布を直接出力する。
我々のフレームワークでは、各ブロックは独立して訓練できるので、並列加速度システムに容易に展開できる。
論文 参考訳（メタデータ） (2023-03-17T02:01:11Z) - A Mathematical Programming Approach to Optimal Classification Forests [1.0705399532413618]
本稿では,与えられた木を同時に構築する数学的最適化手法を提案する。
分類規則は、森林の樹木の中で最も頻繁に予測される分類をそれぞれの観察に割り当てることによって導かれる。
提案手法は,最先端木分類法と同等あるいは優れた性能を示す。
論文 参考訳（メタデータ） (2022-11-18T20:33:08Z) - Contextual Decision Trees [62.997667081978825]
学習アンサンブルの1つの浅い木を特徴量ベースで選択するための,マルチアームのコンテキスト付きバンドレコメンデーションフレームワークを提案する。
トレーニングされたシステムはランダムフォレスト上で動作し、最終的な出力を提供するためのベース予測器を動的に識別する。
論文 参考訳（メタデータ） (2022-07-13T17:05:08Z) - Explaining random forest prediction through diverse rulesets [0.0]
Local Tree eXtractor (LTreeX)は、与えられたテストインスタンスのフォレスト予測を、いくつかの異なるルールで説明することができる。
提案手法は予測性能の点で他の説明可能な手法よりも大幅に優れていることを示す。
論文 参考訳（メタデータ） (2022-03-29T12:54:57Z) - Local policy search with Bayesian optimization [73.0364959221845]
強化学習は、環境との相互作用によって最適な政策を見つけることを目的としている。
局所探索のための政策勾配は、しばしばランダムな摂動から得られる。
目的関数の確率モデルとその勾配を用いたアルゴリズムを開発する。
論文 参考訳（メタデータ） (2021-06-22T16:07:02Z) - Making CNNs Interpretable by Building Dynamic Sequential Decision
Forests with Top-down Hierarchy Learning [62.82046926149371]
本稿では,CNN(Convlutional Neural Networks)を解釈可能なモデル転送方式を提案する。
我々は、CNNの上に微分可能な意思決定林を構築することで、これを実現する。
DDSDF(Dep Dynamic Sequential Decision Forest)と命名する。
論文 参考訳（メタデータ） (2021-06-05T07:41:18Z) - Improved Weighted Random Forest for Classification Problems [3.42658286826597]
優れたアンサンブルモデルを作るための鍵は、ベースモデルの多様性にある。
そこで本研究では,正規林の重み付け戦略を改良するアルゴリズムを提案する。
提案したモデルでは,通常のランダム林に比べて大幅な改善が可能である。
論文 参考訳（メタデータ） (2020-09-01T16:08:45Z) - 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。