实体
Muhammad Rajabinasab
Muhammad Rajabinasab
PulseAugur coverage of Muhammad Rajabinasab — every cluster mentioning Muhammad Rajabinasab across labs, papers, and developer communities, ranked by signal.
总计 · 30天
1
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
1
90 天内 3
层级分布 · 90 天
主题
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 3 条
-
递归消除策略改进了特征选择方法
研究人员探索了机器学习中的特征选择粒度，质疑标准的全局排序方法是否是最优的。他们提出并测试了一种贪婪的递归消除策略，即在重新评估重要性的同时迭代地移除特征。这项实证研究使用了五种不同的算法，发现递归方法通常能提高特征选择的质量，尽管计算成本有所增加。研究结果表明，信息量较少的特征确实会掩盖相关特征的真实重要性。
-
MARS方法通过考虑性能差距幅度来增强机器学习模型评估
研究人员推出了一种名为Magnitude-Aware Rank Statistics (MARS)的新方法，以改进机器学习模型的评估。MARS解决了标准Critical Difference (CD)图中的“幅度盲区”问题，这些图忽略了模型之间实际的性能差距。通过引入一个相对边际系数，根据性能差异对离散排名进行加权，MARS旨在提供更真实的模型性能统计表示。
-
新研究通过特征选择和基准测试工具增强机器学习评估
研究人员正在探索评估和改进机器学习模型的新方法，特别是在特征选择和高效基准测试领域。一篇论文介绍了FSEVAL，这是一个用于标准化和简化特征选择算法评估的工具箱和仪表板。另一项研究将大型语言模型（LLMs）的高效基准测试重新构建为特征选择和多元回归问题，并使用核岭回归和mRMR算法展示了显著的改进。此外，一篇论文强调了为评估无监督特征选择方法建立基线（例如随机特征选择）的关键重要性，表明许多最先进的技术表现不如随机选择。最后，对多目标…