恩德

Enter——一个用于促进决策规则的统计框架。决策规则的归纳在机器学习中起着重要的作用。决策规则的主要优点是它们的简单性和人类可解释的形式。此外,他们能够模拟复杂的属性之间的相互作用。在本文中,我们深入分析学习算法,称为AND,构建一个集成的决策规则。该算法适用于回归和二元分类问题。它使用Boosting学习方法,可以将其视为序列覆盖的推广。每一个新的规则是通过集中在最难正确分类的规则已经存在于集合中的例子来拟合的。我们考虑在Boosting框架中经常遇到的不同的损失函数和最小化技术。最小化技术用于导出控制单个决策规则的构造的杂质度量。分析了四种不同的杂质措施的性质之间的权衡错误分类(歧视)和覆盖率(完备性)的规则。此外,我们考虑由收缩和采样组成的正则化。最后,我们将Enter算法与其他著名的决策规则学习者(如拖鞋、LRI和RuleFIT)进行比较。


ZBMaCT中的参考文献(14篇文章中引用)

显示结果1至14的14。
按年份排序(引文

  1. 勒琼,米格尔;洛辛,Vadim;洛齐娜,伊琳娜;拉加布,艾哈迈德;雅考特,Soumaya:数据逻辑分析理论与实践的最新进展(2019)
  2. 莫伊娜,马丁;DEM AR,JANEZ;BrATKO,伊凡;Abkar,Joe:极值修正:修正规则学习中乐观估计的一种方法(2019)
  3. 阿尔索拉米,法瓦兹;阿明,Talha;Chikalov,Igor;Moshkov,米哈伊尔:决策规则的双准则优化问题(2018)
  4. Marek Sikora,Ukasz Wr.BeL,亚当Guyy: GuideR:分类、回归和生存环境中的制导分治规则学习(2018)阿西夫
  5. Nalenz,Malte;维拉尼,马蒂亚斯:规则结构马蹄正则化的树木合奏(2018)
  6. MARJOLIN FKKEMA:PRE:一个用于拟合预测规则集成的R包(2017)阿西夫
  7. 卡塞塔,马珂;Releer-TurSt:一种基于池的模式生成算法,用于自动微调数据的逻辑分析(2016)
  8. JavaWura,PalTik;Nath,JaARLAPUUDI Saktha;Ramakrishnan,GANSIH:广义分层核学习(2015)
  9. 阿明,Talha;Chikalov,Igor;Moshkov,米哈伊尔;ZieloSKO,BeaTa:近似决策规则优化的动态规划方法(2013)
  10. 阿明,Talha;Chikalov,Igor;Moshkov,米哈伊尔;ZieloSKO,BeaT:基于最优决策规则的分类器(2013)
  11. 西科拉,马立克;Guy y,亚当:CHIRA -基于凸包的规则聚合迭代算法(2013)
  12. 阿明,Talha;Chikalov,Igor;Moshkov,米哈伊尔;ZieloSKO,BeaTa:部分决策规则优化的动态规划方法(2012)
  13. 西科拉,马立克;Sikora,BeaTa:改进的预测模型应用于自然灾害和机械监测系统(2012)
  14. 克日什托夫,Ko.OWSKI,WojiCH;S·OWI·SKI,Roal:Endo:一个用于促进决策规则的统计框架(2010)伊波尔特