新的UPRL方法增强了有序分类数据的有序回归

研究人员开发了一种名为Unimodality-Promoting Regularized Learning (UPRL)的新方法，以改进有序回归，这是一种用于具有自然顺序的数据的分类方法。所提出的UPRL方法旨在使目标变量的预测条件概率分布（CPD）更加单峰，从而在不引入显著偏差的情况下降低预测方差。这种方法对于较小的训练数据集尤其有益，并且通过更准确地反映单峰概念并避免与尺度相关的偏差，与以前的UPRL技术相比，已显示出改进的预测性能。 AI

影响 提高了有序分类数据的预测准确性，可能在推荐系统或风险评估等应用中提高性能。

排序理由 详细介绍一种新的机器学习方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• alphaXiv
• arXiv
• CatalyzeX Code Finder for Papers
• Connected Papers
• CORE Recommender
• DagsHub
• Gotit.pub
• Hugging Face
• IArxiv Recommender
• Influence Flower
• Litmaps
• ScienceCast
• scite Smart Citations
• Unimodality-Promoting Regularized Learning for Ordinal Regression
• UPRL

• 论文
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →