关键词gradient-boosted decision trees
搜索结果 - 4
- 表格数据:关注力是您所需的全部吗?
通过对大规模的实证研究,本文发现神经网络在结构化表格数据上与决策树具有竞争力,而基于变压器的架构在表格数据集上并不能超过传统 MLP 架构的简化版本。这些发现有助于研究和实践社区在未来的表格数据应用中做出明智的选择。
- TabR: 发掘检索辅助的表格深度学习的能力
通过逐步增加一个与诸多表格检索模型类似的注意力检索组件,TabR 模型在一组公开基准测试中表现出最佳平均性能,成为几个数据集上的最新技术标准,甚至在最近提出的 “GBDT 友好” 基准测试中超越了 GBDT 模型。
- 神经网络何时在表格数据上优于增强树?
该研究分析了在标签数据上使用神经网络(NN)和梯度增强决策树(GBDT)的性能差异,发现针对不同数据集,NN 和 GBDT 的表现各有千秋,需要根据数据集来选择合适的算法并进行超参数调优。
- 通过 One-Hot 编码和正则化增强梯度提升决策树的稳健性
本文研究使用 one-hot encoding 和 linear regression 以及 L1 或 L2 正则化对 Gradient-boosted decision trees 进行改进,提高其对协变量扰动的容忍能力。通过数值实验和理