Neue Daten und Wissen vereint: Bessere Klassifikation & Erklärungen
Anzeige
Ein neuer Ansatz zur Klassifikation kombiniert datengetriebenes Mining mit explizitem Wissen. Dabei werden aus den Rohdaten, inklusive möglicher Negationen, Assoziationsregeln abgeleitet, die anschließend die Leistung von baumbasierten Modellen – Entscheidungsbäumen und Random Forests – steigern.
Die Regeln ermöglichen nicht nur höhere Vorhersagegenauigkeit, sondern führen auch zu allgemeineren abductiven Erklärungen. Experimentelle Tests zeigen, dass sowohl die Genauigkeit als auch die Größe der Erklärungen für die beiden Modelle verbessert werden.
Ähnliche Artikel
Towards Data Science
•
Gradient Boosted Trees: Visuelle Anleitung zur Feinabstimmung
arXiv – cs.LG
•
Neue Methode nutzt Mobilitätsdaten zur präzisen Vorhersage von Sozialdemografie
arXiv – cs.LG
•
MetaTree: Skalierbares Meta-Lernen von Entscheidungsbäumen mit synthetischen Daten
Towards Data Science
•
Why Nonparametric Models Deserve a Second Look
arXiv – cs.LG
•
The Eigenvalues Entropy as a Classifier Evaluation Measure
arXiv – cs.AI
•
Deep Sparse Representation-based Classification