Skip to main content
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Kapitel lesen Erstes Kapitel lesen

2024 | OriginalPaper | Buchkapitel

14. A Better Random Forest Classifier: Labels Guided Mondrian Forest

verfasst von : Ismaël Koné, Adama Samaké, Behou Gérard N’Guessan, Lahsen Boulmane

Erschienen in: Mathematics of Computer Science, Cybersecurity and Artificial Intelligence

Verlag: Springer Nature Switzerland

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Das Kapitel stellt eine erweiterte Version der Mondrian-Wälder vor, eine Art zufälliger Waldalgorithmus, der Etiketteninformationen beim Baumteilen einbezieht. Diese Modifikation adressiert die schlechte Leistung der Mondrian-Wälder in Datensätzen mit vielen Merkmalen geringer Vorhersagekraft. Das Kapitel enthält eine detaillierte Methodik, experimentelle Ergebnisse und Vergleiche mit klassischen zufälligen Wäldern, wobei die verbesserte Leistung und Kalibrierung der verbesserten Mondrian-Wälder sowohl in Batch- als auch in Online-Trainingseinstellungen dargestellt wird. Die Experimente unterstreichen die erheblichen Vorteile der Verwendung von Etiketteninformationen, insbesondere in Datensätzen mit geringer Vorhersagekraft. Das Kapitel schließt mit Vorschlägen für mögliche zukünftige Forschungsrichtungen, wie etwa die Ausweitung der Methode auf Mondrian-Wälder für Regressionsaufgaben.
KI-Generiert

Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Robustness of Imputation Methods with Backpropagation Algorithm in Nonlinear Multiple Regression
Nächstes Kapitel Remote Sensing of Artisanal Mines Buried in the Ground by Infrared Thermography Using UAV
Anhänge
Nur mit Berechtigung zugänglich
Fußnoten
Literatur
1.
Lakshminarayanan B., Roy D. M., and Teh Y. W., Mondrian Forests: Efficient Online Random Forests, Advances in Neural Information Processing Systems, 27, 3140–3148 (2014)
2.
3.
Siddharth Misra, Yaokun Wu, Machine Learning for Subsurface Characterization, 289–314. Gulf Professional Publishing, United States (2020)
4.
Niculescu-Mizil A. and Caruana R., Predicting Good Probabilities with Supervised Learning, Proceedings of the International Conference on Machine Learning - ICML, 22, (2005)
5.
Lakshminarayanan B., Thesis: Decision Trees and Forests: A Probabilistic Perspective, UCL, United Kingdom (2016)
6.
Shannon C. E., A Mathematical Theory of Communication, The Bell System Technical Journal, 27, 379–423 (1948)MathSciNetCrossRef
7.
Daniel M. Roy, Yee Teh, The Mondrian Process, Advances in Neural Information Processing Systems, 21, 1377–138 (2008)
8.
Hull J. J., A database for handwritten text recognition research, IEEE Transactions on Pattern Analysis and Machine Intelligence, 16, 550–554 (1994)CrossRef
9.
Feng C., Sutherland A., King S., Muggleton S. & Henery R., Comparison of Machine Learning Classifiers to Statistics and Neural Networks, AI & Stats Conference, 93(1993).
10.
Srinivasan A., Statlog (Landsat Satellite). UCI Machine Learning Repository (1993)
11.
Slate D., Letter Recognition. UCI Machine Learning Repository (1991).
12.
Michalski,R.S. and Chilausky,R.L.., Soybean (Large). UCI Machine Learning Repository (1988).
13.
Vanschoren J., Rijn J. N. V., Bischl B. and Torgo L., OpenML: networked science in machine learning. SIGKDD Explorations 15(2), pp 49–60, 2013CrossRef
14.
Pedregosa et al., Journal of Machine Learning Research, 12, 2825–2830 (2011)
15.
Breiman L., “Bagging predictors”, Machine Learning, 24(2), 123–140, 1996.CrossRef
16.
Dietterich T. G, Kong E. B., Machine Learning Bias, Statistical Bias, and Statistical Variance of Decision Tree Algorithms, 1–14. Technical Report. Department of Computer Science, Oregon State University (1995)
17.
Breiman L., Bias, variance, and arcing classifiers, Technical Report, 460, Statistics Department, University of California, Berkeley, CA, USA (1996)
18.
Criminisi A., Shotton J., Konukoglu E., Decision Forests: A Unified Framework for Classification, Regression, Density Estimation, Manifold Learning and Semi-Supervised Learning, Foundations and Trends Computer Graphics Vision, 7, 81–227 (2012)CrossRef
19.
Geurts P., Ernst. D., and Wehenkel L., Extremely randomized trees, Machine Learning, 63, 3–42 (2006)CrossRef
20.
Chipman H. A., George E. I., and McCulloch R. E., Bayesian CART model search, 93, Journal of the American Statistical Association, 935–948 (1998)
21.
Denison D. G. T., Mallick B. K., and Smith A. F. M., A Bayesian CART algorithm, Biometrika, 85, 363–377 (1998)MathSciNetCrossRef
22.
Chipman H. A., George E. I., and McCulloch R. E., BART: Bayesian Additive Regression Trees, The Annals of Applied Statistics, 4, 266–298 (2010)MathSciNetCrossRef
23.
Domingos P., Bayesian Averaging of Classifiers and the Overfitting Problem, International Conference of Machine Learning, 747, 223–230 (2000)
24.
Saffari A., Leistner C., Santner J., Godec M., Bischof H., On-line random forests. Computer Vision Workshops - ICCV Workshops, 12, 1393–1400 (2009)
25.
Denil M., Matheson D., Freitas N., Consistency of online random forests, International Conference of Machine Learning, 28, 1256–1264 (2013)
26.
Lakshminarayanan B., Roy D. M., and Teh Y. W., Mondrian Forests for Large-Scale Regression when Uncertainty Matters, Proceedings of the 19th International Conference on Artificial Intelligence and Statistics, JMLR: W&CP, 51, 1478–1487 (2016)
Metadaten
Titel
A Better Random Forest Classifier: Labels Guided Mondrian Forest
verfasst von
Ismaël Koné
Adama Samaké
Behou Gérard N’Guessan
Lahsen Boulmane
Copyright-Jahr
2024
Buch
Mathematics of Computer Science, Cybersecurity and Artificial Intelligence

Print ISBN: 978-3-031-66221-8

Electronic ISBN: 978-3-031-66222-5

Copyright-Jahr: 2024

DOI
https://doi.org/10.1007/978-3-031-66222-5_14

Premium Partner

    Bildnachweise