AAAISep, 2019

使用 combo 库结合机器学习模型

PDF
TL;DR研究了模型组合在集成学习中的应用，设计并实现了一种易于使用的 Python 工具包 combo，可用于聚合数据和模型以进行分类、聚类和异常检测，并能够统一和一致地结合来自流行机器学习库（如 scikit-learn、XGBoost 和 LightGBM）的原始和预训练模型。
model combinationensemble learningpython toolkitmachine learning librariesscikit-learn
发现论文，激发创造
  • COMBO：先进的形态句法分析

    COMBO 是一个完全基于神经网络的 NLP 系统，支持准确的词性标注、形态分析、词形还原和 (增强) 依赖分析，提供超过 40 种语言的自动可下载的预训练模型，平衡了效率和质量。

    Sep, 2021

  • 集成深度学习：综述

    本文综述了最新的深度集成学习模型的分类和应用，并指出了未来研究的方向。

    Apr, 2021

  • 通过迭代一致性组合预训练模型集合

    本文提出了一种基于闭环迭代一致优化的框架，将不同的预训练模型组合在一起，以零样本方式解决各种多模态问题，该框架通过生成器和评分器的迭代反馈，使模型之间通过沟通逐渐纠正错误，形成一致性，从而显著提高下游任务的性能。

    Oct, 2022

  • LCE -- Python 中的增强组合：Bagging 与 Boosting

    lcensemble 是一个高性能、可扩展和用户友好的 Python 包，用于分类和回归的通用任务。该包实现了 Local Cascade Ensemble (LCE) 这种机器学习方法，进一步提升了当前最先进方法 Random Forest 和 XGBoost 的预测性能。LCE 结合它们的优势，并采用互补的多样化方法来获得更好的一般化预测器。该包与 scikit-learn 兼容，因此可以与 scikit-learn 的管道和模型选择工具进行交互。它以 Apache 2.0 许可分发，并且其源代码位于此 URL。

    Aug, 2023

  • 面向类不平衡问题的集成学习和数据增强模型综述：组合、实现与评价

    本文通过对 10 种数据增强方法和 10 种集成学习方法在不平衡数据集上的计算机评估，提出了一种通用框架，从而确定数据增强与集成学习的最佳组合，以显著提高不平衡数据集的分类性能。

    Apr, 2023

  • 使用深度卷积神经网络优化的集成学习医学图像分类分析

    该研究提出了一种可复现的医学图像分类管道，分析了集成学习技术在深度学习医学图像分类管道中的优化效果，发现 Stacking 技术效果最好，能增加 13％的 F1 得分，此外，Augmenting 和 Bagging 技术也能显著提高性能。此外也展示了简单的统计汇总函数与较复杂的机器学习技术汇总函数相比并不逊色。综述结果表明，集成学习技术的使用能够为医学图像分类管道提高性能和抗干扰能力。

    Jan, 2022

  • Ecole: 一个类 Gym 的库，为组合优化求解器提供机器学习支持

    Ecole 是一种旨在简化机器学习研究中的组合优化问题的新型库，其接口仿照 OpenAI Gym 库，暴露了通用组合优化求解器中出现的几个关键决策任务作为 Markov 决策过程控制问题，旨在成为降低门槛和加速领域创新的标准化平台。

    Nov, 2020

  • 在线市场产品分类：一种集成方法

    本研究提出了一种集成方法，通过使用不同的模型分别预测产品的类别、子类别和颜色并将结果结合，从而在预测这些特征时可以实现平均 F1 - 得分为 0.82，适用于电商公司的产品分类问题。

    Apr, 2023

  • Python 中的机器学习：Scikit-learn

    Scikit-learn 是一个 Python 模块，集成了各种最先进的机器学习算法，用于解决中等规模的监督和无监督问题，旨在将机器学习带给非专业人士使用通用高级语言，注重易用性，性能和一致的 API。

    Jan, 2012

  • 盲目多类集成分类

    本研究介绍了一种基于联合张量和矩阵分解的动态匹配方法，旨在实现从多个分类器集合中无损学习。该方案效果得到了在真实和合成数据集上的评测。

    Dec, 2017