نویسنده (ها): شنگگانگ لی
در ابتدا منتشر شده در به سمت هوش مصنوعیبشر
چارچوب فضای حاشیه ای با افزایش انباشته برای به روزرسانی های گروهی پویا ، از دست دادن محور در طبقه بندی و رگرسیون
روشهای گروهی بر تنوع رونق می گیرند ، اما بیشتر چارچوب ها آن را به صورت متوالی (تقویت) یا از نظر آماری (انباشت) سوء استفاده می کنند. ما Meta – Booster را معرفی می کنیم ، یک سیستم یکپارچه که به روزرسانی های افزایشی – “Deltas” – از چندین زبان آموز پایه را در هر مرحله تقویت می کند. این روش که بر روی XGBoost ، LightGBM ، Adaboost و یک شبکه عصبی جمع و جور ساخته شده است ، هم از طبقه بندی و هم رگرسیون پشتیبانی می کند.
در هر دور ، ما:
استخراج Delta: به روزرسانی یک مرحله ای از یادگیرنده ها – افزایش حاشیه برای طبقه بندی کننده ها یا دلتاهای باقیمانده برای رگرسیون – برای جداسازی سود پیش بینی فوری آن. ترکیب ایستاده: یک رگرسیون محدود را حل کنید: در مجموعه ای از یادگیری ، یک بردار وزن را که به بهترین وجه توضیح می دهد ، به طور همزمان از بین می برد و به طور همزمان به استفاده می پردازد. جستجوی خط ، تولید یک تکامل گروه حریص و باخت محور است که با کار سازگار است.
بر خلاف انباشت استاتیک ، که در آن وزنه ها ثابت یا کامل هستند ، به طور متوسط ، متا تقویت می شود که در هر دور کمی مخلوط را ترفند می کند ، همیشه نمره اعتبار سنجی بهتر را تعقیب می کند. این طرح پویا نه تنها دقت را بالا می برد (ورود به سیستم ، AUC) و دقت (MAPE ، RMSE) بلکه نشان می دهد که یادگیرنده در هر مرحله وزن خود را می کشد. آزمایش در مورد قیمت اتومبیل و اعتبار – مجموعه داده ها تأیید: طبقه بندی درایوهای انباشت حاشیه ، رگرسیون قدرت انباشت باقیمانده…. وبلاگ کامل را به صورت رایگان در رسانه بخوانیدبشر
منتشر شده از طریق به سمت هوش مصنوعی