本文提出使用基于规则的特征(也称为规则集成)的广义线性模型,用于回归和概率分类,通过列生成算法,优化规则集合的复杂度和预测准确性的平衡。在逻辑回归和线性回归的实验中,与现有的规则集成算法相比,所提出的方法可以获得更好的准确性 - 复杂度平衡,一端可以与少量簇比较。
Jun, 2019
本文提出了一种新的框架来学习规则集合模型,该模型既准确又可解释,该模型的可解释性通过评估模型所需表达预测所需的规则数量来评估,并提出了一种促进局部可解释性的正则化器,通过局部搜索的坐标下降算法来学习规则集合。实验结果表明,与现有方法(包括 RuleFit)相比,我们的方法学习规则集合时所需规则数量更少,同时仍然保持相当的准确性。
Jun, 2023
通过简单规则的选择、回归和舍入方法,应用因果推断工具,探究司法决策中释放或拘留被告的影响因素,并发现简单规则的性能与随机森林等复杂机器学习算法相当。
Feb, 2017
本文提出了 11 个集成学习器并将它们与 PERSIANN 和 IMERG 数据集以及 GHCNm 数据进行比较,证明了这些集成学习器对卫星降水产品的预测精度有所提高。
Jul, 2023
通过利用分布鲁棒优化,我们提出了一个新的公式来学习一组规则集的集合,以在保持计算成本低的同时确保良好的泛化性能,并通过构建一个稀疏的规则集合来解决规则集的稀疏性和预测准确性之间的固有权衡。
Nov, 2023
本文提出了一种通过规则归纳技术,捕捉特征间关系来全局解释神经网络预测的方法,对 20 个新闻组数据集上的 4 类文本分类神经网络进行全局解释,并获得了 F1 - 得分 0.80。
Aug, 2018
本文提出了在实现线性设置中优化三种不同决策者目标的决策规则的有效算法,包括准确预测智能体事后结果 (预测风险最小化),激励智能体改进这些结果 (智能体结果最大化),以及估计真实基础模型的系数 (参数估计)。其中的算法绕过了 Miller 等人的一个困难结果,允许决策者测试一系列决策规则并观察智能体的响应,从而通过决策规则实现因果干预。
Feb, 2020
描述了一种基于机器学习的方法,用于给定多个输入变量的值来预测实值函数的值,并引出了一种规则决策模型,经实验证明其与现有的机器学习和统计方法具有竞争力并且有可能表现更好的回归性能。
Dec, 1995
通过回归模型和分类模型,我们提出并测试了两种机器学习方法来发现可能的原始变量组合,应用于描述传热现象和普遍引力定律。
Jan, 2024
本研究探讨了常见的决策树信息增益估算方法的偏差问题,并通过改进离散熵和微分熵的估算方法,提高了分类和回归预测性能。
Jun, 2012