×

Delaunay三角测量学习者及其集合。 (英语) Zbl 1510.62062号

摘要:Delaunay三角剖分学习器(DTL)是一种新的分段线性学习器,用于回归和分类任务。基于p维特征空间中的数据样本,Delaunay三角剖分算法提供了一种独特的空间三角剖分方法。三角剖分将样本的凸包分割为一系列不相交的单形,其中样本是单形的顶点。DTL是通过在每个Delaunay单形上通过线性插值函数拟合响应来构造的,因此它通过分段线性函数逼近整个函数。在集成学习方法中,引入了袋装DTL、随机晶体和boosting DTL,其中DTL构建在特征子空间上,特征交互可以通过Delaunay三角网格捕获。进行了大量的数值研究,将所提出的DTL及其集合与基于树的对应物、K近邻和多元自适应回归样条进行了比较。DTL方法在各种环境中表现出了竞争性的性能,尤其是DTL在平滑函数方面表现出了优于其他方法的优势。

MSC公司:

62-08 统计问题的计算方法
62H30型 分类和区分;聚类分析(统计方面)
68T05型 人工智能中的学习和自适应系统
PDF格式BibTeX公司 XML格式引用
全文: 内政部

参考文献:

[1] 阿彻·K·J。;Kimes,R.V.,随机森林变量重要性测度的经验表征,计算。统计师。数据分析。,52, 4, 2249-2260 (2008) ·Zbl 1452.62027
[2] 贝当古,M.R。;Skolnick,J.,比较蛋白质结构的通用相似性度量,生物聚合物。原始研究生物分子。,59, 5, 305-309 (2001)
[3] Biau,G。;Devroye,L.,《最近邻法讲座》(2015),斯普林格出版社·Zbl 1330.68001号
[4] 鲍耶,A.,《计算dirichlet细分》,计算。J.,24,2,162-166(1981)
[5] Breiman,L.,装袋预测,马赫数。学习。,24, 2, 123-140 (1996) ·Zbl 0858.68080号
[6] Breiman,L.,《随机森林》,马赫。学习。,45, 1, 5-32 (2001) ·Zbl 1007.68152号
[7] 布雷曼,L。;弗里德曼,J。;斯通,C.J。;奥尔森,R.A.,《分类与回归树》(1984),CRC出版社·Zbl 0541.62042号
[8] 布伊廷克。;Louppe,G。;布隆德尔,M。;佩德雷戈萨,F。;穆勒,A。;格里塞尔,O。;Niculae,V。;普雷滕霍弗,P。;Gramfort,A。;Grobler,J.,《机器学习软件的API设计:来自scikit-learn项目的经验》(2013),arXiv预印本arXiv:1309.0238
[9] Caruana,R.,Niculescu-Mizil,A.,2006年。监督学习算法的实证比较。摘自:第23届机器学习国际会议论文集。第161-168页。
[10] Chen,T.,Guestrin,C.,2016年。Xgboost:一个可扩展的树增强系统。摘自:第22届ACM SIGKDD知识发现和数据挖掘国际会议论文集。第785-794页。
[11] Chen,L。;Xu,J.-c.,最优delaunay三角剖分,计算机J。数学。,22, 299-308 (2004) ·Zbl 1048.65020号
[12] Cignoni,P。;蒙塔尼,C。;Scopigno,R.,DeWall:Ed,Compute中的快速分治Delaunay三角剖分算法。辅助设计。,30, 5, 333-341 (1998) ·Zbl 1035.68122号
[13] Delaunay,B.,Sur la sphere vide,Izv。阿卡德。Nauk SSSR Otdelenie Mat.Estestvennyka Nauk,第7793-800页,第1-2页(1934年)·JFM 60.0946.06号
[14] Fortune,S.,《Voronoi图和Delaunay三角剖分》(《欧几里德几何计算》(1992),《世界科学》,193-233年
[15] Friedman,J.H.,多元自适应回归样条曲线,《统计年鉴》。,19, 1-67 (1991) ·Zbl 0765.62064号
[16] Friedman,J.H.,《贪婪函数近似:梯度提升机》,Ann.Statist。,29, 1189-1232 (2001) ·Zbl 1043.62034号
[17] 弗里德曼,J.H。;Popescu,B.E.,《通过规则集合进行预测性学习》,Ann.Appl。统计,2,3,916-954(2008)·Zbl 1149.62051号
[18] Geurts,P。;Ernst,D。;Wehenkel,L.,《极度随机树》,马赫。学习。,63, 1, 3-42 (2006) ·Zbl 1110.68124号
[19] Grömping,U.,《回归中的变量重要性评估:线性回归与随机森林》,Amer。统计人员。,63208-319(2009年)
[20] 吉姆·内兹,R。;Yukich,J.,具有一般边权重的欧几里德图的强定律,统计学家。普罗巴伯。莱特。,56, 3, 251-259 (2002) ·Zbl 0997.60028号
[21] Jones,E。;奥列芬特,T。;Peterson,P.,SciPy:Python的开源科学工具(2001)
[22] Kingma,D.P。;Ba,J.,Adam:随机优化方法(2014),arXiv预印本arXiv:1412.6980
[23] Lichman,M.,2013年。UCI机器学习库。加利福尼亚州欧文。
[24] Marchand,M。;Sokolova,M.,《利用数据相关特征的决策列表进行学习》,J.Mach。学习。第6号决议,427-451年4月(2005年)·Zbl 1222.68257号
[25] Meinshausen,N.,节点收获,Ann.应用。统计,42049-2072(2010)·Zbl 1220.62084号
[26] Rajan,V.,《(R^d)中Delaunay三角剖分的最优性》,离散计算。地理。,12, 2, 189-202 (1994) ·Zbl 0808.52012号
[27] Rokach,L.,基于集成的分类器,Artif。智力。版本,33,1-2,1-39(2010)
[28] 沙阿·R·D。;Meinshausen,N.,《随机交叉树》(2013),arXiv预打印arXiv:1303.6223
[29] 斯特罗布尔,C。;布列斯特,A.-L。;Zeileis,A。;Hothorn,T.,《随机森林变量重要性度量中的偏差:图解、来源和解决方案》,BMC生物信息学,8,1,25(2007)
[30] Waldron,S.,单纯形顶点处线性插值的误差,SIAM J.Numer。分析。,35, 3, 1191-1200 (1998) ·Zbl 0924.41007号
[31] Watson,D.F.,《应用于Voronoi多边形的n维Delaunay细分计算》,计算。J.,24,2,167-172(1981)
[32] 朱,R。;曾博士。;Kosorok,M.R.,《强化学习树》,J.Amer。统计师。协会,110,512,1770-1784(2015)·Zbl 1374.68466号
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配,可能包含数据转换错误。在某些情况下,zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献,而不要求完整或完全匹配。