k-nearest neighbours
PulseAugur coverage of k-nearest neighbours — every cluster mentioning k-nearest neighbours across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
机器学习模型用于埃及股市预测的比较
一篇新发表在arXiv上的研究分析了各种机器学习模型预测埃及证券交易所EGX30指数的有效性。该研究比较了K近邻、随机森林、极端梯度提升和循环神经网络（LSTM、GRU）等模型。结果表明，门控循环单元（GRU）模型在一周、一个月和两个月的预测中表现最佳，而极端梯度提升（XGBoost）在一日预测中表现出色。研究还强调了集成技术在长期预测中的优势，并指出K近邻在长期预测中表现出乎意料地强劲。
-
新研究探索有限人群的无偏机器学习
一篇新研究论文探讨了机器学习算法在有限人群中实现无偏预测或分类的条件。该研究侧重于训练数据的采样方式以及如何调整预测算法以确保无偏性，特别是在官方统计等公平性至关重要的应用中。推断依赖于已知的样本和训练集的概率设计，而不是假设的分布或模型。
-
新的机器学习算法利用数学形态学进行形状和密度分析
研究人员将来自视觉计算的数学形态学理论引入机器学习，以更好地分析数据中的形状和密度。他们开发了一种新颖的聚类算法，该算法使用形态学重建来保持簇的形状和密度，提供内置的噪声去除和噪声处理功能。此外，还提出了一种结合闵可夫斯基距离和切比雪夫距离的新距离度量，该度量在形态学操作方面比欧几里得距离快得多，并在各种数据集的 k-NN 分类中取得了很高的准确性。
-
研究比较BERT和T5在NER上的表现；文章推崇论文阅读对数据科学家的益处
一篇新的arXiv论文详细介绍了一项研究，该研究比较了BERT和T5模型在命名实体识别（NER）上的表现，分析了它们在不同标签方案和超参数下的性能。研究旨在提供对常见错误的见解，并比较这两种架构在实际应用中的优劣。另外，一篇文章讨论了阅读研究论文对数据科学家的好处，强调了通过学习现有工作和了解最新进展来提高效率。