論文の概要: Ordinal Mixed-Effects Random Forest

• arxiv url: http://arxiv.org/abs/2406.03130v1
• Date: Wed, 5 Jun 2024 10:30:40 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-06 18:59:55.858986
• Title: Ordinal Mixed-Effects Random Forest
• Title（参考訳）: 常交混合がランダム林に与える影響
• Authors: Giulia Bergonzoli, Lidia Rossi, Chiara Masci,
• Abstract要約: 我々は、通常混合効果ランダムフォレスト(OMERF)と呼ばれる革新的な統計手法を提案する。 ランダム・フォレストの使用を階層データや順序応答の分析にまで拡張する。
• 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: We propose an innovative statistical method, called Ordinal Mixed-Effect Random Forest (OMERF), that extends the use of random forest to the analysis of hierarchical data and ordinal responses. The model preserves the flexibility and ability of modeling complex patterns of both categorical and continuous variables, typical of tree-based ensemble methods, and, at the same time, takes into account the structure of hierarchical data, modeling the dependence structure induced by the grouping and allowing statistical inference at all data levels. A simulation study is conducted to validate the performance of the proposed method and to compare it to the one of other state-of-the art models. The application of OMERF is exemplified in a case study focusing on predicting students performances using data from the Programme for International Student Assessment (PISA) 2022. The model identifies discriminating student characteristics and estimates the school-effect.
• Abstract（参考訳）: 本稿では,ランダム林の利用を階層データと順序応答の分析に拡張する,規則混合・影響ランダム林(OMERF)という,革新的な統計手法を提案する。 このモデルは、木に基づくアンサンブル法に典型的なカテゴリ変数と連続変数の両方の複雑なパターンをモデル化する柔軟性と能力を保持し、同時に階層データの構造を考慮に入れ、グループ化によって引き起こされる依存構造をモデル化し、全てのデータレベルで統計的推論を可能にする。 提案手法の有効性を検証し,他の最先端技術モデルと比較するためのシミュレーション研究を行った。 OMERFの適用例は,2022年度国際学生評価プログラム(PISA)のデータを用いて,学生の成績を予測することに焦点を当てたケーススタディである。 モデルは、生徒の特徴を識別し、学校効果を推定する。

関連論文リスト

• Model-free Methods for Event History Analysis and Efficient Adjustment (PhD Thesis) [55.2480439325792]
  この論文は、モデルフリーの観点から統一された統計学への独立した貢献のシリーズである。 第1章では、機械学習から予測技術を活用する柔軟なメソッドを定式化するために、モデルフリーの視点をどのように利用できるか、詳しく説明している。 第2章では、あるプロセスの進化が他のプロセスに直接影響されるかどうかを記述した地域独立の概念を研究している。
  論文  参考訳（メタデータ） (2025-02-11T19:24:09Z)
• Supervised Score-Based Modeling by Gradient Boosting [49.556736252628745]
  本稿では,スコアマッチングを組み合わせた勾配向上アルゴリズムとして,SSM(Supervised Score-based Model)を提案する。 推測時間と予測精度のバランスをとるため,SSMの学習とサンプリングに関する理論的解析を行った。 我々のモデルは、精度と推測時間の両方で既存のモデルより優れています。
  論文  参考訳（メタデータ） (2024-11-02T07:06:53Z)
• Tree-based variational inference for Poisson log-normal models [47.82745603191512]
  階層木は、しばしば近接基準に基づいてエンティティを組織するために使用される。 現在のカウントデータモデルは、この構造化情報を利用していない。 本稿では,PLNモデルの拡張としてPLN-Treeモデルを導入し,階層的カウントデータをモデル化する。
  論文  参考訳（メタデータ） (2024-06-25T08:24:35Z)
• Multi-Layer Personalized Federated Learning for Mitigating Biases in Student Predictive Analytics [8.642174401125263]
  本稿では,学生グループ化基準の異なる層にまたがる推論精度を最適化する多層パーソナライズドフェデレーションラーニング手法を提案する。 提案手法では,個別の学生サブグループに対するパーソナライズされたモデルがグローバルモデルから導出される。 3つの実世界のオンラインコースデータセットの実験は、既存の学生モデルベンチマークよりも、我々のアプローチによって達成された大きな改善を示している。
  論文  参考訳（メタデータ） (2022-12-05T17:27:28Z)
• A Statistical-Modelling Approach to Feedforward Neural Network Model Selection [0.8287206589886881]
  フィードフォワードニューラルネットワーク(FNN)は非線形回帰モデルと見なすことができる。 FNNのためのベイズ情報基準(BIC)を用いて,新しいモデル選択法を提案する。 サンプル外性能よりもBICを選択することは、真のモデルを回復する確率を増大させる。
  論文  参考訳（メタデータ） (2022-07-09T11:07:04Z)
• Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
  パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。 我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。 次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-18T22:41:51Z)
• Scalable Intervention Target Estimation in Linear Models [52.60799340056917]
  因果構造学習への現在のアプローチは、既知の介入目標を扱うか、仮説テストを使用して未知の介入目標を発見する。 本稿では、全ての介入対象を一貫して識別するスケーラブルで効率的なアルゴリズムを提案する。 提案アルゴリズムは、与えられた観測マルコフ同値クラスを介入マルコフ同値クラスに更新することも可能である。
  論文  参考訳（メタデータ） (2021-11-15T03:16:56Z)
• Robust Finite Mixture Regression for Heterogeneous Targets [70.19798470463378]
  本稿では,サンプルクラスタの探索と,複数の不完全な混合型ターゲットを同時にモデル化するFMRモデルを提案する。 我々は、高次元の学習フレームワークの下で、無症状のオラクルのパフォーマンス境界をモデルに提供します。 その結果,我々のモデルは最先端の性能を達成できることがわかった。
  論文  参考訳（メタデータ） (2020-10-12T03:27:07Z)
• An Epistemic Approach to the Formal Specification of Statistical Machine Learning [1.599072005190786]
  Kripkeモデルに基づく教師あり学習のための形式モデルを提案する。 次に、統計分類器の分類性能、頑健性、公正性の様々な概念を定式化する。
  論文  参考訳（メタデータ） (2020-04-27T12:16:45Z)
• A Bootstrap-based Method for Testing Network Similarity [0.0]
  本稿では,一致したネットワーク推論問題について検討する。 目的は、共通のノードセットで定義された2つのネットワークが、特定の類似性を示すかどうかを決定することである。 類似性の2つの概念は、 (i) 等価性、すなわち、ネットワークが同じランダムグラフモデルから生じるかどうかをテストすること、 (ii) スケーリング、すなわち、それらの確率が未知のスケーリング定数に対して比例するかどうかをテストすることである。
  論文  参考訳（メタデータ） (2019-11-15T20:50:22Z)

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。