实体
linear support vector machines
linear support vector machines
PulseAugur coverage of linear support vector machines — every cluster mentioning linear support vector machines across labs, papers, and developer communities, ranked by signal.
总计 · 30天
2
90 天内 2
发布 · 30天
0
90 天内 0
论文 · 30天
2
90 天内 2
层级分布 · 90 天
主题
最近 · 第 1/1 页 · 共 2 条
-
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。
-
探索用于可解释机器学习的最优模型树
研究人员探索了为机器学习任务创建全局最优模型树的方法。与专注于局部优化的传统贪婪方法不同，该方法旨在获得整个数据集的最优树结构。该研究调查了这些最优模型树的性能，特别是那些在其叶节点使用线性支持向量机的模型树，并将它们与包括经典决策树、随机森林和标准支持向量机在内的各种其他方法进行了比较。