decision tree
PulseAugur coverage of decision tree — every cluster mentioning decision tree across labs, papers, and developer communities, ranked by signal.
7 天有情绪数据
-
使用NumPy从零开始构建决策树分类器
本文详细介绍了如何使用NumPy从零开始构建决策树分类器。文章解释说，决策树通过对输入特征提出一系列问题来缩小可能性范围并得出预测。构建此类树的核心在于递归地在每个节点找到最佳问题，将数据分割成更同质的子集，这个过程以熵和信息增益等指标为指导，以衡量不纯度的减少。
-
人工智能和遥感技术追踪达卡快速城市化和环境变化
一项新近发表在arXiv上的研究详细介绍了如何利用遥感和机器学习技术分析2019年至2024年间孟加拉国达卡地区的土地利用和植被变化。该研究采用了卫星图像以及决策树、K近邻和随机森林等算法来追踪土地覆盖的变化。研究结果显示，城市建成区显著增加（59.5%），而植被（-8.46%）和水体（-7.77%）则有所减少，凸显了快速城市化对环境的影响。该研究强调了这些技术工具在可持续城市规划和政策制定方面的实用性。
-
深度Q网络以99.72%的准确率增强云网络防御
研究人员开发了一种新颖的网络安全框架，利用深度Q网络（DQN）来增强云基础设施抵御复杂网络攻击的能力。这种基于强化学习的方法训练自适应策略，用于实时威胁检测和自动化缓解。与决策树和随机森林等传统机器学习模型相比，DQN模型表现出卓越的性能，准确率达到99.72%，攻击缓解率达到99.54%。
-
机器学习与深度学习在星巴克评论情感分析中的对比
一篇新研究论文比较了各种机器学习和深度学习模型在零售咖啡行业消费者情感分析中的有效性。该研究聚焦于ConsumerAffairs.com上的星巴克评论，发现虽然支持向量机（SVM）在传统机器学习模型中表现最佳，准确率为91.0%，但在深度学习模型中，双向长短期记忆网络（Bidirectional LSTM）表现更优。研究还强调，数据集中类不平衡对多个模型的积极情感召回率产生了负面影响，突显了模型选择和预处理对于客户体验分析的重要性。
-
物联网入侵检测：超越准确性，关注解释成本和稳定性
一项新近发表在arXiv上的研究，在准确性之外，重点评估了用于物联网（IoT）入侵检测的机器学习模型的解释成本、稳定性和效用。研究人员构建了一个安全的CICIoT2023语料库，并测试了Logistic Regression、Decision Tree、Random Forest和XGBoost等模型。研究结果表明，XGBoost提供了强大的预测性能，而Random Forest的误报率最低。该研究还使用TreeSHAP量化了解释生成…
-
新方法优化集成分类器以实现更快预测
研究人员为二元集成分类器（如随机森林）开发了优化的序贯测试策略。这些方法旨在通过依次评估基础模型并在出现明确多数预测时停止，而不是评估所有模型，来降低计算成本。这些策略旨在最大限度地减少执行的基础模型数量，同时控制与完整集成的分歧。在真实世界和基准数据集上的测试表明，在分歧极小的情况下，速度提升了4倍或更多。
-
GeoAI框架自动化地理信息系统数据库的建筑足迹验证
研究人员开发了一个GeoAI框架，用于自动验证和净化从高分辨率影像中提取的建筑足迹数据。该框架利用空间特征工程和机器学习分类器（如决策树）来识别和纠正矢量化足迹中的错误。该系统在识别错误足迹并保留可接受足迹方面取得了高精度，显著提高了地理信息系统数据库的纯度。
-
ArborEnum算法枚举连续特征上的决策树拉辛量集
研究人员开发了一种名为ArborEnum的新算法，该算法可以枚举连续特征上的决策树拉辛量集。该算法解决了先前方法需要二值化数据的局限性，而二值化数据可能导致遗漏树、重要特征和预测多重性。ArborEnum提供了精确枚举和近似枚举的松弛，与现有技术相比，速度显著提高，召回率也得到改善。
-
新方法简化了马尔可夫决策过程的决策树
研究人员开发了一种名为 dtControl2+$\\varepsilon$ 的新方法，用于为马尔可夫决策过程中的控制器创建更小、更易于理解的决策树。该方法通过引入可控的精度 $\\varepsilon$，实现了控制器可调的简化，确保了 $\\varepsilon$-最优性，同时与现有方法相比显著减小了决策树的大小。该工具旨在通过省略可控数量的细节，使复杂的控制器更易于人类理解。
-
新的dtControl2+$\\varepsilon$方法简化了马尔可夫决策过程的决策树
研究人员开发了一种名为dtControl2+$\varepsilon$的新方法，用于为马尔可夫决策过程创建更小、更具可解释性的决策树。该技术通过引入可控的不精确度（$\varepsilon$），实现了控制器可调的简化，从而生成比当前最先进方法小几个数量级的决策树，同时保持$\varepsilon$-最优性。
-
新方法使用Frobenius迹计算椭圆曲线系数
研究人员开发了一种方法，使用其Frobenius迹来计算有理数域上的椭圆曲线的约化最小Weierstrass系数。决策树模型表明，前两个系数可以从素数2和3的Frobenius迹中准确恢复，而第三个系数则通过补充导子奇偶校验的迹来确定。已推导出这些系数的显式新公式，表明前三个约化最小Weierstrass系数由椭圆曲线的同源类决定。
-
新的双块聚类树提供可解释的多元回归
研究人员推出了一种新颖的多元响应回归树——双块聚类树（tbtree）。该方法利用密集或稀疏的双块降维来构建局部叶模型和计算不纯度，确保了计算效率和可解释性。该论文还提出了一种基于共偏度的双块降维空间估计器，有助于识别非正态簇。虽然tbtree擅长恢复分段线性模型，但它也展示了对复杂非线性依赖建模的能力，在真实世界数据上的表现与随机森林等技术相当。
-
新的IDS使用GAN增强的TabTransformer以提高对抗鲁棒性
研究人员开发了一种新的入侵检测系统（IDS），该系统使用边界搜索生成对抗网络（BGAN）来增强TabTransformer模型。这种方法解决了常见的IDS问题，如类别不平衡和易受对抗攻击。BGAN生成合成数据以平衡数据集，并生成对抗性示例来测试鲁棒性，从而显著提高了检测性能和抵御攻击的能力。
-
新方法实现分类树的有效推断
研究人员开发了一种新颖的分类树拟合方法，该方法包含有效推断。这种新方法用概率方法取代了传统的预测空间贪婪分割，其中每次分割都基于指数机制的采样概率来选择。该机制中的温度参数控制与确定性选择的偏差，允许模型在低温下紧密模仿标准树算法，同时通过考虑自适应树结构来实现推断。该方法直接从采样概率生成枢轴，理论上允许对预测拟合进行渐近有效推断，而不会像数据分割技术那样牺牲准确性。
-
ConceptTree框架增强机器人操作决策的透明度
研究人员开发了ConceptTree，一个旨在为机器人操作中的决策过程带来语义透明度的新框架。该方法将技能选择重新构建为对人类可解释的概念进行推理，使用在视觉输入上训练的决策树来预测高级技能。ConceptTree旨在使机器人决策可追溯和可干预，允许直接检查和修改策略行为，而无需重新训练。在真实世界任务上的评估表明，ConceptTree的性能优于现有的基于概念的基线，尤其是在复杂、长周期的场景中。
-
新方法论为AI治理提供可审计的可信度等级
研究人员提出了一种在AI生命周期治理过程中建立可审计可信度等级的新方法论。该方法结合了用于建模和学习可信度的形式化框架，以及用于记录、监控和随时间重新评估这些等级的实用程序。该方法论利用决策树等可解释模型来识别明确的可信度平台和过渡，并为边界裕度和配置文件漂移提供诊断。它旨在通过提供跟踪AI治理相关变化的证据基础，来支持合规性文档和生命周期监控，但并不取代专家判断。
-
新框架通过删除不相关条件简化决策树
研究人员开发了一个新的框架，用于从决策树中删除不相关条件（IRCs），这些条件通常是由于树的结构性分裂机制而存在的。现有方法在平衡可靠性和简化性方面存在困难。这种新方法利用了二元分裂在兄弟分支中产生相反类别比例的理论理解，将“不匹配链接”识别为结构上可疑的IRC候选。然后，该框架在选择性删除之前严格评估这些候选者的经验相关性，确保在不损害预测可靠性的情况下进行规则简化。
-
新框架通过删除不相关条件简化决策树
研究人员开发了一个新的框架，通过处理不相关条件（IRCs）来简化决策树。所提出的方法利用了树分裂的结构特性，识别出增加了相反叶类比例的不匹配链接。该方法通过评估预测可靠性来严格诊断可疑IRC候选的相关性，仅选择性地删除那些在结构上和经验上都不相关的条件，从而在实现显著简化的同时保持原始树的可靠性。
-
AI记忆策略决策树因复杂性而受到批评
一篇Mastodon帖子批评了AI记忆策略选项的复杂性，认为决策树方法为开发人员增加了不必要的复杂性。作者暗示，在此背景下使用流行语和循环论证不利于改善开发人员体验。
-
AI系统以98.83%的准确率推荐病理测试
研究人员开发了一种使用分类器链（CC）技术的病理测试推荐系统，以提高诊断效率。该系统将测试选择视为多标签分类问题，并考虑了测试之间的依赖关系。应用于从病理数据派生的自定义数据集后，带有CC的逻辑回归模型达到了98.83%的准确率，而多数投票集成模型在精确率、召回率和F1分数方面取得了良好的平衡。可解释AI（XAI）技术，特别是SHAP，被用于确保透明度和临床可解释性，证实了模型的推理与既有的医学知识一致。