Sep, 2023

经典算法是公平学习者：对自然天气和野火发生的分类分析

PDF
TL;DR经过评估，本文旨在展示经典的机器学习算法（如决策树、Boosting、支持向量机、k 最近邻算法和浅层人工神经网络）在处理稀疏数据的分类任务中的效果，并观察数据噪声增加时对这些算法的影响，以及不同参数对分类准确性的提升。研究表明，即使在有限的数据集和嘈杂的环境下，这些经典算法依然具有很好的学习性能。
machine learning algorithmssupervised learning algorithmsclassificationhyperparameterssparse data
发现论文，激发创造
  • 经典机器学习方法

    这篇论文主要介绍了经典的机器学习方法，包括监督学习技术、分类、回归、过拟合问题及其克服策略，以及无监督学习方法中的聚类和降维技术。

    May, 2023

  • 分类器技术与进步的幻觉

    本文讨论了有监督分类中的一些早期方法和现代发展，并探讨了这些方法之间相对优劣的比较研究存在的局限性，即简单方法通常可以产生与更复杂方法几乎相当的性能。

    Jun, 2006

  • UCI 机器学习库中 11 个不同数据集上 KNN、SVM、LMNN 和 ENN 算法准确率变化的研究和观察

    本研究实现四种主流的机器学习算法在十一个数据集上，分析它们的准确性，并且探讨机器学习算法与数据维度之间的关系。

    Sep, 2018

  • 文本分类算法综述

    本研究讨论了文本分类算法的概述，包括不同的文本特征提取、降维方法、现有算法和技术、评估方法，并探讨了每种技术的限制和在实际问题中的应用。

    Apr, 2019

  • 公平约束：公平分类的机制

    该研究引入了一种灵活的机制，以设计公平的分类器，其中利用了一种新颖的、直观的决策边界（不）公平度量，并结合实际的数据表明，该机制在维持准确度的小代价下，允许对公平度进行微调。

    Jul, 2015

  • 一个平均分类算法

    采用稀疏近似方法和 herding 步骤生成了一个准确且易于并行化的分类算法，以支持使用尽可能少的训练样本对内核进行评估，涉及分类算法、内核评估和稀疏性等关键词。

    Jun, 2015

  • 机器学习分类算法的比较及其在弗雷明翰心脏研究中的应用

    利用机器学习算法在医疗保健领域可能会放大社会不公和卫生不平等问题；本研究关注于机器学习分类算法在开发和使用过程中遇到的一些普遍性障碍，通过以弗雷明汉冠心病数据为案例，说明了如何选择概率阈值将回归模型转换为分类器，并比较了八种常用机器学习分类算法在不同训练 / 测试场景下的预测性能，以测试它们的普适性和可能引发的偏见问题；得到的研究结果表明，XGBoost 和支持向量机在不平衡数据集上训练存在缺陷，而双重判别式为 I 型是最具普适性的，它在各种训练 / 测试场景下都始终优于其他分类算法；最后，提出了一种用于分类算法的最佳变量层次结构提取方法，并以全量数据、男性和女性的弗雷明汉心脏病数据进行了说明。

    Feb, 2024

  • 基于统计模型的主动学习

    本文回顾了如何使用最优数据选择技术来优化一些类型的机器学习算法，包括前馈神经网络、高斯混合模型和局部加权回归，并探讨了此方法如何降低训练数据量，提高模型性能。

    Mar, 1996

  • 天文学中的机器学习：实用概述

    本文主要介绍了天文学中大数据和机器学习的应用，重点讲解了监督机器学习和无监督机器学习两种算法，包括数据预处理、评估方法、支持向量机、随机森林、浅层神经网络、聚类分析、降维、可视化和异常检测等方面，旨在提高天文学家使用这些工具从海量数据中挖掘新知识的能力。

    Apr, 2019

  • 基于树的方法在异常检测中能超越深度学习吗？一项基准研究

    该论文通过综合基准研究评估了多种基于机器学习的异常检测算法，并发现树型算法在许多情境下表现优于深度学习。

    Feb, 2024