論文の概要: Optimal probabilistic feature shifts for reclassification in tree ensembles

• arxiv url: http://arxiv.org/abs/2412.03722v1
• Date: Wed, 04 Dec 2024 21:28:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-06 14:41:55.546784
• Title: Optimal probabilistic feature shifts for reclassification in tree ensembles
• Title（参考訳）: 樹木アンサンブルにおける再分類のための最適確率的特徴シフト
• Authors: Váctor Blanco, Alberto Japón, Justo Puerto, Peter Zhang,
• Abstract要約: 所望のクラスに到達するための観測の最も実行可能な変化は、常に最も近い距離ポイントと一致しないことを示す。 個人には、それぞれの特徴を与えられた値に変更する確率が与えられ、ターゲットクラスに変更する全体的な確率が決定される。 また,木アンサンブルの最も重要な特徴をランク付けする手法も提案している。
• 参考スコア（独自算出の注目度）: 0.5249805590164903
• License:
• Abstract: In this paper we provide a novel mathematical optimization based methodology to perturb the features of a given observation to be re-classified, by a tree ensemble classification rule, to a certain desired class. The method is based on these facts: the most viable changes for an observation to reach the desired class do not always coincide with the closest distance point (in the feature space) of the target class; individuals put effort on a few number of features to reach the desired class; and each individual is endowed with a probability to change each of its features to a given value, which determines the overall probability of changing to the target class. Putting all together, we provide different methods to find the features where the individuals must exert effort to maximize the probability to reach the target class. Our method also allows us to rank the most important features in the tree-ensemble. The proposed methodology is tested on a real dataset, validating the proposal.
• Abstract（参考訳）: 本稿では,木組分類規則により,与えられた観察の特徴をある所望のクラスに再分類する,数学的最適化に基づく新しい手法を提案する。 所望のクラスに到達するための最も実行可能な変化は、常に対象クラスの最も近い距離ポイント(特徴空間における)と一致するとは限らない; 個人は所望のクラスに到達するためのいくつかの特徴に取り組み、各個人はそれぞれの特徴を所定の値に変更する確率を与えられる。 まとめると、ターゲットクラスに到達する確率を最大化するために個人が努力しなければならない特徴を見つけるための異なる方法を提供する。 また,木アンサンブルの最も重要な特徴をランク付けする手法も提案している。 提案手法は実際のデータセット上でテストされ,提案を検証する。

関連論文リスト

• Class-specific feature selection for classification explainability [0.0]
  この研究はまず、特徴の選択と分類に焦点をあてて、クラス固有の概念の包括的なレビューを紹介する。 クラス固有の概念の基本的な考え方は、各特徴の重要性があるクラスから別のクラスに変化するという理解にある。 このクラス固有の観点は、各クラス固有の特徴を認識し、活用することによって、分類タスクに対するより効果的なアプローチを提供する。
  論文  参考訳（メタデータ） (2024-11-02T10:31:55Z)
• Anomaly Detection using Ensemble Classification and Evidence Theory [62.997667081978825]
  本稿では,アンサンブル分類とエビデンス理論を用いた新しい検出手法を提案する。 固体アンサンブル分類器を構築するためのプール選択戦略が提示される。 我々は異常検出手法の不確実性を利用する。
  論文  参考訳（メタデータ） (2022-12-23T00:50:41Z)
• Task-Specific Embeddings for Ante-Hoc Explainable Text Classification [6.671252951387647]
  テキストのタスク固有の埋め込みを学習する学習目標を提案する。 提案する目的は,同一のクラスラベルを共有するすべてのテキストが近接しているように埋め込みを学習することである。 本研究は, 総合的な分類精度において, アンテホックな説明可能性と漸進的な学習の利点が無コストで得られることを示す広範囲な実験である。
  論文  参考訳（メタデータ） (2022-11-30T19:56:25Z)
• A Top-down Supervised Learning Approach to Hierarchical Multi-label Classification in Networks [0.21485350418225244]
  本稿では,階層型マルチラベル分類(HMC)に対する一般的な予測モデルを提案する。 クラスごとの局所分類器を構築することで教師あり学習により階層的マルチラベル分類に対処するトップダウン分類アプローチに基づいている。 本モデルでは, イネOryza sativa Japonicaの遺伝子機能の予測について事例研究を行った。
  論文  参考訳（メタデータ） (2022-03-23T17:29:17Z)
• Multi-Class Classification from Single-Class Data with Confidences [90.48669386745361]
  本稿では,損失/モデル/最適化非依存のリスク最小化フレームワークを提案する。 提案手法は, 与えられた信頼度が高ノイズであっても, 簡易な修正でベイズ整合性を示す。
  論文  参考訳（メタデータ） (2021-06-16T15:38:13Z)
• Dynamic Instance-Wise Classification in Correlated Feature Spaces [15.351282873821935]
  典型的な機械学習環境では、すべてのテストインスタンスの予測は、モデルトレーニング中に発見された機能の共通サブセットに基づいている。 それぞれのテストインスタンスに対して個別に評価する最適な特徴を順次選択し、分類精度に関して更なる改善が得られないことを判断すると、選択プロセスが終了して予測を行う新しい手法を提案する。 提案手法の有効性, 一般化性, 拡張性について, 多様なアプリケーション領域の様々な実世界のデータセットで説明する。
  論文  参考訳（メタデータ） (2021-06-08T20:20:36Z)
• Meta Learning for Few-Shot One-class Classification [0.0]
  メタ学習問題として,一級分類における意味のある特徴の学習を定式化する。 これらの表現を学習するには、類似したタスクからのマルチクラスデータのみが必要である。 数ショットの分類データセットを、数ショットの1クラスの分類シナリオに適応させることで、我々のアプローチを検証する。
  論文  参考訳（メタデータ） (2020-09-11T11:35:28Z)
• Cautious Active Clustering [79.23797234241471]
  ユークリッド空間上の未知の確率測度からサンプリングされた点の分類の問題を考える。 我々のアプローチは、未知の確率測度を、各クラスに対する条件付き確率の凸結合として考えることである。
  論文  参考訳（メタデータ） (2020-08-03T23:47:31Z)
• Towards Model-Agnostic Post-Hoc Adjustment for Balancing Ranking Fairness and Algorithm Utility [54.179859639868646]
  Bipartiteランキングは、ラベル付きデータから正の個人よりも上位の個人をランク付けするスコアリング機能を学ぶことを目的としている。 学習したスコアリング機能が、異なる保護グループ間で体系的な格差を引き起こすのではないかという懸念が高まっている。 本稿では、二部構成のランキングシナリオにおいて、それらのバランスをとるためのモデル後処理フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-15T10:08:39Z)
• Rethinking Class-Balanced Methods for Long-Tailed Visual Recognition from a Domain Adaptation Perspective [98.70226503904402]
  現実世界のオブジェクトの周波数は、しばしば電力法則に従い、長い尾のクラス分布を持つデータセット間のミスマッチを引き起こす。 メタラーニング手法を用いて,クラス条件分布の違いを明示的に推定し,古典的なクラスバランス学習を強化することを提案する。
  論文  参考訳（メタデータ） (2020-03-24T11:28:42Z)
• Selecting Relevant Features from a Multi-domain Representation for Few-shot Classification [91.67977602992657]
  本稿では,従来の特徴適応手法よりもシンプルかつ効果的である特徴選択に基づく新しい戦略を提案する。 このような特徴の上に構築された単純な非パラメトリック分類器は高い精度を示し、訓練中に見たことのない領域に一般化する。
  論文  参考訳（メタデータ） (2020-03-20T15:44:17Z)

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。