マルチモデルサブセット選択【JST・京大機械翻訳】

Christidis Anthony-Alexander; Van Aelst Stefan; Zamar Ruben

プレプリント

J-GLOBAL ID：202202209494714958 整理番号：22P0333388

マルチモデルサブセット選択【JST・京大機械翻訳】

Multi-Model Subset Selection

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (3件)： , ,
資料名：
発行年： 2022年04月17日プレプリントサーバーでの情報更新日： 2023年07月26日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

高次元回帰問題のための2つの一次アプローチは,スパース方法(例えばペナルティでL0ノルムを使用する最良部分集合選択)とアンサンブル法(例えばランダムフォレスト)である。疎な方法は典型的に解釈可能なモデルを生成するが,それらは”ブラックボックス”マルチモデルアンサンブル法による予測精度に関してしばしば優れている。著者らは,マルチモデル回帰アンサンブルに対するスパース方法のためのL_0最適化における最近の発展を拡張することによって,L_0ペナルティ回帰モデルのアンサンブルを最適化するアルゴリズムを提案した。アンサンブルにおけるスパースで多様なモデルをデータから同時に学習した。これらのモデルの各々は,予測子のサブセットと応答変数の間の関係の説明を提供する。アンサンブルの正確性-多様性トレードオフを利用して,アンサンブルが優れた予測精度を達成し,モデル数の影響を調べた。予測タスクにおいて,アンサンブルは,シミュレーションおよび実データの両方で最先端の競合者を凌駕できる。前方段階的回帰も多モデル回帰アンサンブルに一般化し,このアルゴリズムの初期解を得るために用いた。最適化アルゴリズムは,公的に利用可能なソフトウェアパッケージで実行される。【JST・京大機械翻訳】

, , , , , , , , , , ,
, , , 【Automatic Indexing@JST】

人工知能 , 分子・遺伝情報処理 , 分光分析

前のページに戻る