decision tree
PulseAugur coverage of decision tree — every cluster mentioning decision tree across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
研究人员利用可解释AI挖掘IPv6扩展头模式
研究人员开发了一种从网络捕获中的IPv6扩展头（EH）模式中挖掘可解释规则的方法。该研究利用JAMES数据集上的可解释时序逻辑规则挖掘器来识别控制EH行为的规则。一个关键发现是，识别出的主要Fragment-EH规则是包内共现，而非时序模式，这一结论得到了决策树和大型语言模型基线的支持。
-
AI框架通过可解释性增强执法领域的法律推理能力
提出了一种用于执法领域决策支持系统的新框架，重点关注可解释性以及是否符合欧盟《通用数据保护条例》（GDPR）和《执法指令》（LED）等法规。该系统利用符号AI和SPARQL处理法律规范和规则，确保执法机构（LEAs）的决策透明且可辩护。与许多缺乏可解释性的机器学习方法不同，该框架旨在通过提供清晰的输出推理来建立用户信心，并在必要时利用决策树来指导信息请求。
-
AI模型从流式细胞术数据预测AML突变
研究人员开发了一种可解释的多实例学习模型，可以从急性髓系白血病（AML）的常规流式细胞术数据中预测关键的分子改变。这种方法将患者样本建模为单个细胞的集合，在预测NPM1和FLT3-ITD突变方面取得了高精度。该模型的预测在一个独立的队列中得到了验证，并证明了其识别既定免疫表型特征的能力，为传统的分子检测提供了一种更快、更具成本效益的替代方案。
-
LLM生成的心脏病预测规则准确性落后于传统模型
一项发表在arXiv上的新研究评估了像GPT-4o和Claude Sonnet 4.6这样的大型语言模型（LLMs）在生成预测心脏病的规则方面的有效性。研究发现，与LLM生成的基于规则的系统相比，传统的机器学习模型（如Random Forest和Naive Bayes）在准确性和预测性能方面表现明显更优。尽管LLM生成的规则预测能力较弱，但它们提供了增强的可解释性和透明度，在医疗AI中呈现了性能与可解释性之间的权衡。
-
机器学习框架预测餐厅食物浪费
研究人员开发了一个机器学习框架，利用运营数据、天气和活动指标来估算餐厅的每日食物浪费。该研究构建了一个包含77,980条记录的数据集，并采用了四种回归模型，其中随机森林表现最佳。确定的关键预测因素包括菜单多样性、运营区域和时间活动模式。数据集、代码和实验配置均公开可用，以鼓励进一步研究，特别是使用实测浪费数据进行的研究。
-
机器学习模型在帕金森病分类中难以应对Canny边缘检测
一篇新发表在arXiv上的研究探讨了机器学习模型在帕金森病分类中的有效性，特别关注预处理技术。研究人员发现，虽然增强数据集通常会增加模型的内存和预测时间，但Canny边缘检测方法与Hessian滤波结合使用时，实际上会降低大多数测试模型的性能。Random Forest模型表现出一致的内存使用量，而KNN和SVM等其他模型在使用增强数据集时，内存和预测时间显著增加。
-
新框架增强了粒子群优化算法的可解释性
研究人员开发了一个新框架，以提高粒子群优化（PSO）算法的可解释性。该框架使用探索性景观分析（ELA）来表征问题难度，并采用决策树和随机森林等机器学习分类器来预测最优超参数配置。此外，它还集成了IOHxplainer和搜索轨迹网络（STN）等工具来分析时间收敛和空间导航，引入了新的指标来量化搜索组织和效率。该研究在各种基准函数和拓扑结构上进行，旨在揭开PSO的“黑箱”性质，并为群体智能系统提供更大的透明度。
-
AI模型使用传感器数据准确分类帕金森病严重程度
研究人员开发了一种机器学习方法，利用三轴惯性测量单元（IMU）传感器的数据来分类帕金森病的严重程度。该研究比较了几种分类模型，其中LightGBM模型表现最佳，准确率、精确率、召回率和F1分数均达到约97%。其他模型如决策树和XGBoost的表现接近96%，而K近邻和支持向量机的准确率分别约为90%和94%。这种AI驱动的方法证明了其在无创PD严重程度预测方面的有效能力。
-
新框架通过异构专家增强可解释机器学习
研究人员通过扩展专家混合（MoE）模型，开发了一个新的可解释机器学习框架。这种新颖的方法允许异构专家，将决策树、线性支持向量机和二次判别分析与概率门控机制结合起来。该框架通过校准非概率专家以产生类别概率来确保一致的推理，从而能够在期望最大化框架内进行估计。实验表明，该方法在提供可解释的专家分配和自适应归纳偏差选择的同时，实现了具有竞争力的预测性能。
-
AI模型集成在中风预测中达到99.52%的准确率
研究人员开发了一个卷积神经网络集成模型，旨在提高中风预测的准确性。该研究评估了七种监督式机器学习算法，其中随机森林、堆叠分类器和装袋分类器等集成方法达到了最高的99.52%准确率。其他模型，包括自定义前馈模型、KNN、TabNet、SVC和逻辑回归，在使用十一个特征预测潜在中风方面也表现出不同程度的性能。
-
Virgo探测器使用AI管道对引力波故障进行分类
研究人员开发了VIGILant，一个自动分类和可视化Virgo引力波探测器中故障的管道。该系统同时采用了基于树的机器学习模型和ResNet34卷积神经网络，其中ResNet34取得了0.9772的高F1分数和0.9833的准确率。VIGILant自O4c观测运行以来已部署在Virgo现场供日常使用，提供了一个交互式仪表板来监控故障群体和探测器行为，有助于识别需要进一步关注的低置信度预测。
-
AI 框架使用拉曼光谱准确识别食用油
研究人员开发了一种使用拉曼光谱和机器学习来鉴定食用油的新方法，即使在炸薯片等复杂食品基质中也能实现。该研究利用物理信息人工智能 (PI-AI) 将光谱数据与可解释的分类模型联系起来。通过采用决策树和 K-means 聚类等技术，该框架可以使用显著减少的光谱变量集实现高分类准确率，展示了高效便携食品质量监测的潜力。
-
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。