論文の概要: Mutual information and sensitivity analysis for feature selection in customer targeting: a comparative study

• arxiv url: http://arxiv.org/abs/2608.20447v1
• Date: Thu, 20 Aug 2026 17:00:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-24 14:49:32.107412
• Title: Mutual information and sensitivity analysis for feature selection in customer targeting: a comparative study
• Title（参考訳）: 顧客ターゲティングにおける特徴選択のための相互情報と感度分析 : 比較研究
• Abstract要約: 本研究は、銀行テレマーケティングの事例に適用することにより、これらの2つの手法の長所と短所を分析することに焦点を当てる。 後者は偽陽性の低い値に対して、前者は高い偽陽性比に対してわずかに良い。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Feature selection is a highly relevant task in a data-driven knowledge discovery project. Several techniques have been developed aiming at finding the features that influence most an outcome to predict, including mutual information and, in recent years, the data-based sensitivity analysis. The present research focus on analyzing the advantages and disadvantages of each of these two techniques, by applying both to a bank telemarketing case. Thereafter, a logistic regression model is built on the tuned set of features identified by each of the two techniques as the most influencing set of features on the success of a telemarketing contact, in a total of 13 features for mutual information and 9 features for the data-based sensitivity analysis. The latter performs better for lower values of false positives while the former is slightly better for a higher false positive ratio. Thus, mutual information becomes a better choice if bank managers intend to reduce slightly the cost of contacts without risking losing a high number of successes. Such results show that mutual information, although not recent, is still a valid method for feature selection. On the other side, the data-based sensitivity analysis selection achieved good prediction results with less features.
• Abstract（参考訳）: 特徴選択は、データ駆動の知識発見プロジェクトにおいて、非常に関連性の高いタスクである。 相互情報を含む予測結果に最も影響を及ぼす特徴の発見を目的としたいくつかの技術が開発され、近年ではデータに基づく感度分析が進められている。 本研究は、銀行テレマーケティングの事例に適用することで、これらの2つの手法の長所と短所を分析することに焦点を当てる。 その後、テレマーケティング・コンタクトの成功に最も影響を及ぼす特徴のセットとして、2つの技術で識別される特徴の調整セットに基づいてロジスティック回帰モデルを構築し、相互情報のための合計13の特徴とデータに基づく感度分析のための9の特徴を考察した。 後者は偽陽性の低い値に対して、前者は高い偽陽性比に対してわずかに良い。 したがって、銀行の管理者が、多数の成功を損なうリスクを冒さずに、接触のコストをわずかに削減しようとする場合、相互情報の方が良い選択となる。 このような結果から, 相互情報は近年ではないものの, 特徴選択の有効な方法であることが明らかとなった。 一方、データに基づく感度分析は、より少ない特徴で良好な予測結果を得た。

関連論文リスト

• Towards Understanding Valuable Preference Data for Large Language Model Alignment [85.38864561060088]
  大規模言語モデル(LLM)のアライメントは通常、人間の好みの比較から学習することで達成される。 新たに提案したTruncated Influence Function (TIF) を用いた検証データに対する個人の影響によるデータ品質の評価を行う。 この目的のために、我々はそれらを組み合わせ、様々なエラーソースをオフセットし、単純だが効果的なデータ選択ルールをもたらす。
  論文  参考訳（メタデータ） (2025-10-15T06:57:55Z)
• MINERVA: Mutual Information Neural Estimation for Supervised Feature Selection [39.57737590420284]
  本稿では,特徴と対象間の相互情報のニューラル推定に基づく特徴選択のための新しい手法を提案する。 ニューラルネットワークによる相互情報の近似をパラマティフィケーションし、疎性誘導型正規化器を付加した慎重に設計された損失関数を用いて特徴選択を行う。 提案手法は,特徴選択から表現学習を分離する2段階のプロセスで実装され,より優れた一般化とより正確な特徴重要度表現を実現する。
  論文  参考訳（メタデータ） (2025-10-02T23:09:06Z)
• Evolution of Information in Interactive Decision Making: A Case Study for Multi-Armed Bandits [22.799405905536734]
  マルチアームバンディット問題のレンズによる対話型意思決定における情報の進化について検討する。 最適な成功確率と相互情報の分離が可能であり、最適学習を達成するためには、必ずしも情報の獲得を最大化する必要がなくなる。
  論文  参考訳（メタデータ） (2025-03-01T01:01:41Z)
• LESS: Selecting Influential Data for Targeted Instruction Tuning [64.78894228923619]
  本稿では,データの影響を推定し,命令データ選択のための低ランクグレーディエント類似度探索を行うアルゴリズムであるLESSを提案する。 LESS選択したデータの5%のトレーニングは、さまざまなダウンストリームタスクにわたる完全なデータセットでのトレーニングよりも優れています。 我々の方法は、意図した下流アプリケーションに必要な推論スキルを識別するために、表面的なフォームキューを超えています。
  論文  参考訳（メタデータ） (2024-02-06T19:18:04Z)
• Causal Feature Selection via Transfer Entropy [59.999594949050596]
  因果発見は、観察データによる特徴間の因果関係を特定することを目的としている。 本稿では,前向きと後向きの機能選択に依存する新たな因果的特徴選択手法を提案する。 精度および有限サンプルの場合の回帰誤差と分類誤差について理論的に保証する。
  論文  参考訳（メタデータ） (2023-10-17T08:04:45Z)
• Estimating Conditional Mutual Information for Dynamic Feature Selection [14.706269510726356]
  動的な特徴選択は、機能獲得コストを削減し、モデルの予測に透明性を提供する、有望なパラダイムである。 ここでは、情報理論の観点から、応答変数との相互情報に基づいて特徴を優先順位付けする。 提案手法は, 様々なデータセットにわたる最近の手法に対して一貫した利得を提供する。
  論文  参考訳（メタデータ） (2023-06-05T23:03:03Z)
• Utility Assessment of Synthetic Data Generation Methods [0.0]
  完全合成データを生成する方法が,その実用性に相違があるかどうかを考察する。 ボード上の他の方法よりもパフォーマンスがよい方法がいくつかあります。 機械学習モデルのトレーニングに合成データを使用する場合、分類タスクに対して有望な結果が得られる。
  論文  参考訳（メタデータ） (2022-11-23T11:09:52Z)
• Compactness Score: A Fast Filter Method for Unsupervised Feature Selection [66.84571085643928]
  本稿では,CSUFS (Compactness Score) と呼ばれる高速な教師なし特徴選択手法を提案する。 提案アルゴリズムは既存のアルゴリズムよりも正確で効率的である。
  論文  参考訳（メタデータ） (2022-01-31T13:01:37Z)
• Smart(Sampling)Augment: Optimal and Efficient Data Augmentation for Semantic Segmentation [68.8204255655161]
  セマンティックイメージセグメンテーションに関する最初の研究を行い、textitSmartAugment と textitSmartSamplingAugment の2つの新しいアプローチを紹介した。 SmartAugmentはベイジアン最適化を使用して、拡張戦略の豊富なスペースを探索し、私たちが考慮しているすべてのセマンティックセグメンテーションタスクにおいて、新しい最先端のパフォーマンスを達成する。 SmartSamplingAugmentは、固定的な拡張戦略を備えたシンプルなパラメータフリーのアプローチで、既存のリソース集約型アプローチとパフォーマンスを競い合い、安価な最先端データ拡張手法を上回っている。
  論文  参考訳（メタデータ） (2021-10-31T13:04:45Z)
• Federated Feature Selection for Cyber-Physical Systems of Systems [0.3609538870261841]
  自動運転車の一群は、データ伝送を99%まで減らし、無視できない情報損失を抑えるために利用する、最適な機能セットに関するコンセンサスを見つける。 以上の結果から、自動運転車の車両群は、データ伝送を99%まで減らし、無視できる情報損失を減らし、最適な機能セットにコンセンサスを見出すことができた。
  論文  参考訳（メタデータ） (2021-09-23T12:16:50Z)
• Information Theoretic Measures for Fairness-aware Feature Selection [27.06618125828978]
  我々は,特徴の精度と識別的影響に関する情報理論に基づく,公平性を考慮した特徴選択のためのフレームワークを開発する。 具体的には、この機能が正確性や非差別的判断にどのように影響するかを定量化する、各機能に対する公平性ユーティリティスコアを設計することを目的としています。
  論文  参考訳（メタデータ） (2021-06-01T20:11:54Z)
• Improving Multi-Turn Response Selection Models with Complementary Last-Utterance Selection by Instance Weighting [84.9716460244444]
  我々は、データリソース自体の根底にある相関を利用して、異なる種類の監視信号を導出することを検討する。 2つの公開データセットで広範な実験を行い、両方のデータセットで大幅に改善した。
  論文  参考訳（メタデータ） (2020-02-18T06:29:01Z)

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。