gradient-boosting models
PulseAugur coverage of gradient-boosting models — every cluster mentioning gradient-boosting models across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新研究应对间歇性需求预测挑战 · 已追踪 2 个来源
两篇新研究论文探讨了间歇性需求预测的挑战，在这种预测中，需求不频繁发生，时间序列通常包含许多零观测值。第一篇论文《准确性并非服务》引入了一个决策感知的基准，并发现传统的准确性指标并不总是与合同物流中的实际服务水平相关。它还详细介绍了一种 Chronos-2 预测模型的修正方法，该方法显著提高了补货率。第二篇论文《梯度提升模型是否适用于间歇性需求预测？》调查了梯度提升模型的有效性，结论是虽然它们单独表现不佳，但在集成中可以增强专业方法。
-
新的DICS方法加速决策树分类器训练
研究人员推出了一种名为数据驱动质心分裂（DICS）的新型基于聚类的框架，旨在提高决策树分类器训练的效率。DICS通过创建更集中的候选分裂集来降低与大型和高维数据集相关的计算成本。该方法结合了类别感知结构，在不损害预测准确性的情况下缩小搜索空间，并为性能保持提供了理论支持。DICS与各种决策树模型兼容，包括随机森林和梯度提升模型，并在实验中显示出显著的训练时间缩减。
-
基础模型在小数据场景下有望用于信用风险预测
一篇新的研究论文探讨了基础模型（特别是为表格数据设计的模型）在信用风险预测领域的应用。该研究将这些较新的模型与已有的机器学习技术（包括梯度提升模型）在预测违约概率（PD）和违约损失（LGD）等任务上进行了基准测试。研究结果表明，表格基础模型通常优于竞争对手，尤其是在数据有限（如中小企业贷款）且无需大量超参数调优的情况下。
-
AI模型高精度检测临床试验剂量错误 · 已追踪2个来源
研究人员开发了一种使用领域特定Transformer嵌入和分类模型来检测临床试验中剂量错误的方法。该研究评估了几种语言模型，包括ClinicalBERT、PubMedBERT、BioBERT和MedCPT，用于编码文本试验数据。BioBERT表现出卓越的性能，ROC-AUC达到0.794，比ClinicalBERT提高了3.95%。组合多个嵌入并未增强结果，这表明领域对齐比表示堆叠更关键。预测剂量错误最有效的模型是梯度提升、支持向量分…