划分、攻克、融合贝叶斯决策树采样
本研究提出一种方法,通过多核处理减少时间来实现在笔记本电脑上并行化单个MCMC决策树链,同时结果与常规串行实现相同。同时计算了在多处理器体系结构上利用该方法可以获得的理论和实际运行时间的降低,并表明该方法可以实现快18倍的运行时间。
Jul, 2022
本研究探讨了多个概率预测方法,包括基于信任函数和可靠分类的方法以及我们称之为证据累加的原则。实验结果表明证据累加的效果优于投票和取平均值的方法,特别是在中等规模的叶子节点上。
Aug, 2022
本文提出两种应用并行处理的方法以替代传统的Markov Chain Monte Carlo (MCMC),即采用Sequential Monte Carlo (SMC)取样器或数据分区,并通过实验测试发现在多核处理器中使用SMC比传统串行实现的MCMC运行时间快至少343倍。
Jan, 2023
本文提出了利用一种新标准进行训练贝叶斯决策树的方法,得到的树的分类准确度可与贪婪构造的决策树相媲美或更好,同时树的大小显著减小,并可以在数据集大小的多项式时间内进行后验学习和采样。
Feb, 2023
本文提出了一种使用序列蒙特卡洛和进化算法采样的贝叶斯决策树数值方法,比传统的马尔可夫链蒙特卡洛方法有更快的迭代速度,并且能够更准确地对复杂和不确定的数据进行建模。
May, 2023
本篇论文利用决策树表示数据观测过程并使用基于贝叶斯决策理论的先验概率分布,将实现统计上最优的预测结果。同时,我们解决了计算Bayes最优预测的问题,例如内部节点的特征分配问题,实现方法为应用马尔可夫链-蒙特卡洛方法,其步长可以根据先验分布自适应调整。
Jun, 2023
决策树的贝叶斯推断和最大后验树的AND/OR搜索算法MAPTree在合成数据和真实环境中表现出比基线更好的性能,并能更快地恢复最大后验树,同时提供最优性的证明。
Sep, 2023
使用贝叶斯方法从数据中学习决策树是一项具有挑战性的任务,本文研究了使用Hamiltonian Monte Carlo方法来更高效地探索贝叶斯决策树的后验概率,并通过与标准数据集的比较展示了其在预测测试准确率、接受率和树复杂度方面的优势。
Dec, 2023
决策树在可解释的机器学习中是重要的预测模型,本文介绍了一种新的蒙特卡洛树搜索算法(TSDT),在在线环境中通过汤普森抽样来产生最优的决策树,并经过实验证明该算法在几个基准测试中表现优于现有算法,并具有适用于在线环境的实际优势。
Apr, 2024