Fugu-MT 論文翻訳(概要): Hidden Variables unseen by Random Forests

論文の概要: Hidden Variables unseen by Random Forests

arxiv url: http://arxiv.org/abs/2406.15500v1
Date: Wed, 19 Jun 2024 12:07:22 GMT
ステータス: 処理完了
システム内更新日: 2024-06-25 23:44:36.304212
Title: Hidden Variables unseen by Random Forests
Title（参考訳）: ランダム・フォレストに見つからない隠れた変数
Authors: Ricardo Blum, Munir Hiabu, Enno Mammen, Joseph Theo Meyer,
Abstract要約: 木の成長過程で用いられる単純な代替パーティショニングスキームは、これらの相互作用の同定を促進することができると論じる。その結果、純粋な相互作用が重要な役割を果たすシナリオにおいて、モデルが適合する能力を高めることが確認された。
参考スコア（独自算出の注目度）: 0.3749861135832073
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Random Forests are widely claimed to capture interactions well. However, some simple examples suggest that they perform poorly in the presence of certain pure interactions that the conventional CART criterion struggles to capture during tree construction. We argue that simple alternative partitioning schemes used in the tree growing procedure can enhance identification of these interactions. In a simulation study we compare these variants to conventional Random Forests and Extremely Randomized trees. Our results validate that the modifications considered enhance the model's fitting ability in scenarios where pure interactions play a crucial role.
Abstract（参考訳）: ランダムフォレストは相互作用をうまく捉えていると広く主張されている。しかし、いくつかの単純な例は、従来のCART基準が樹木構築中に捕獲するのに苦労する純粋な相互作用の存在下では不十分であることを示している。木の成長過程で用いられる単純な代替パーティショニングスキームは、これらの相互作用の同定を促進することができると論じる。シミュレーション研究では、これらの変種を従来のランダム林や極端ランダム化木と比較した。その結果、純粋な相互作用が重要な役割を果たすシナリオにおいて、モデルが適合する能力を高めることが確認された。

関連論文リスト

Exogenous Randomness Empowering Random Forests [4.396860522241306]
平均二乗誤差(MSE)を個々の木と森林の両方に対して非漸近展開する。以上の結果から,サブサンプリングは個々の樹木に比べて,ランダム林の偏りや分散を減少させることが明らかとなった。ノイズ特性の存在は、ランダムな森林の性能を高める上で「祝福」として機能する。
論文参考訳（メタデータ） (2024-11-12T05:06:10Z)
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)
On the Pointwise Behavior of Recursive Partitioning and Its Implications for Heterogeneous Causal Effect Estimation [8.394633341978007]
決定木学習は、ポイントワイズ推論にますます使われている。適応決定木は、非消滅確率のノルムにおける収束の収束率を達成できないことを示す。ランダムな森林は状況を改善することができ、貧弱な樹木をほぼ最適な手順に変えることができる。
論文参考訳（メタデータ） (2022-11-19T21:28:30Z)
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)
What Makes Forest-Based Heterogeneous Treatment Effect Estimators Work? [1.1050303097572156]
両手法がL2損失下で同じパラメータと共起仮定で理解可能であることを示す。ランダム化環境では、両方のアプローチはベンチマーク研究で新しいブレンドバージョンと同様に実行された。
論文参考訳（メタデータ） (2022-06-21T12:45:07Z)
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)
Trees, Forests, Chickens, and Eggs: When and Why to Prune Trees in a Random Forest [8.513154770491898]
木深度はプロセス全体にわたって自然な正規化の形式と見なされるべきである。特に,データの信号対雑音比が低ければ,樹木が浅いランダムな森林が有利であることが示唆された。
論文参考訳（メタデータ） (2021-03-30T21:57:55Z)
Composed Variational Natural Language Generation for Few-shot Intents [118.37774762596123]
現実的な不均衡シナリオにおいて、数ショットのインテントに対するトレーニング例を生成します。生成した発話の質を評価するために、一般化された複数ショット意図検出タスクについて実験を行った。提案モデルでは,2つの実世界の意図検出データセットに対して,最先端のパフォーマンスを実現する。
論文参考訳（メタデータ） (2020-09-21T17:48:43Z)
Learning Disentangled Representations with Latent Variation Predictability [102.4163768995288]
本稿では,潜在不整合表現の変動予測可能性について述べる。逆生成プロセス内では、潜時変動と対応する画像対の相互情報を最大化することにより、変動予測可能性を高める。本研究では,潜在表現の絡み合いを測るために,基礎的構造的生成因子に依存しない評価指標を開発する。
論文参考訳（メタデータ） (2020-07-25T08:54:26Z)
Parameterizing Branch-and-Bound Search Trees to Learn Branching Policies [76.83991682238666]
Branch and Bound (B&B) は、Mixed-Integer Linear Programming Problem (MILP) の解法として一般的に用いられる木探索法である。本稿では,新しい模倣学習フレームワークを提案し,分岐を表現するための新しい入力機能とアーキテクチャを提案する。
論文参考訳（メタデータ） (2020-02-12T17:43:23Z)

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。