恩德

ENDER-一个用于提升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性化的可解释形式。此外,它们还能够对属性之间的复杂交互进行建模。在本文中,我们深入分析了一种称为ENDER的学习算法,它构造了一个决策规则集合。该算法适用于回归和二元分类问题。它使用boosting方法进行学习,可以看作是序列覆盖的推广。每一条新规则都是通过集中在最难根据集合中已有的规则正确分类的示例来拟合的。我们考虑了boosting框架中经常遇到的不同的损失函数和最小化技术。利用极小化技术导出控制单个决策规则构造的杂质测度。从规则的误分类(区分)和覆盖(完备性)之间的权衡,分析了四种不同杂质度量的性质。此外,我们考虑了由收缩和抽样组成的正则化。最后,我们将ENDER算法与SLIPPER、LRI和RuleFit等著名的决策规则学习器进行了比较。


数学参考文献

显示第1至14个结果,共14个。
按年份排序(引用)

  1. Miguel Lejeune;Lozin,Vadim;Lozina,Irina;Ragab,Ahmed;Yacout,Soumaya:数据逻辑分析理论与实践的最新进展(2019)
  2. Možina,Martin;Demšar,Janez;Bratko,Ivan;Žabkar,Jure:极值修正:规则学习中校正乐观估计的方法(2019)
  3. Alsolami,Fawaz;Amin,Talha;Chikalov,Igor;Moshkov,Mikhail:决策规则的双准则优化问题(2018)
  4. Marek Sikora,Łukasz Wróbel,Adam Gudyś:《指南者:分类、回归和生存环境中的独立和征服规则学习》(2018)阿尔十四
  5. Nalenz,Malte;Villani,Mattias:具有规则结构马蹄形正则化的树集合(2018)
  6. Marjolein Fokkema:pre:An R软件包,用于拟合预测规则集合(2017)阿尔十四
  7. Caserta,Marco;Reiners,Torsten: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. Jawanpuria,Pratik;Nath,Jagarlapudi Saketha;Ramakrishnan,Ganesh:广义分层内核学习(2015)
  9. Amin,Talha;Chikalov,Igor;Moshkov,Mikhail;Zielosko,Beata:近似决策规则优化的动态规划方法(2013)
  10. Amin,Talha;Chikalov,Igor;Moshkov,Mikhail;Zielosko,Beata:基于最优决策规则的分类器(2013)
  11. Sikora,Marek;Gudyś,Adam:CHIRA-基于凸壳的规则聚合迭代算法(2013)
  12. Amin,Talha;Chikalov,Igor;Moshkov,Mikhail;Zielosko,Beata:部分决策规则优化的动态规划方法(2012)
  13. Sikora,Marek;Sikora,Beata:改进应用于自然灾害和机械监测系统的预测模型(2012年)
  14. Dembczyèski,Krzysztof;Kotłowski,Wojciech;Słowinski,Roman:ENDER:促进决策规则的统计框架(2010)ioport公司