KI News: Kurz und klar.

In einer umfassenden Untersuchung wurden 21 gängige Klassifikatoren – von linearen Modellen über SVMs bis hin zu Tree‑Ensembles wie CatBoost, XGBoost und LightGBM sowie modernen tabellarischen neuronalen Netzwerken – auf einer Vielzahl von binären Aufgaben aus der TabArena‑v0.1‑Suite getestet. Dabei wurde ein randomisiertes, stratifiziertes fünf‑Fold‑Cross‑Validation‑Schema mit einem separaten Test‑Fold verwendet, um die Generalisierbarkeit der Ergebnisse zu gewährleisten.

Ein neues maschinelles Lernframework verspricht, die Vorhersage der strukturellen Dimensionalität von hybriden Metallhalogeniden (HMHs) deutlich zu verbessern. Das ursprüngliche Datenset umfasst 494 Strukturen, die stark unausgewogen zwischen den Klassen 0D, 1D, 2D und 3D verteilt sind. Durch die Anwendung der Synthetic Minority Oversampling Technique (SMOTE) wurde die Datenbasis auf 1 336 Einträge erweitert, um die Klassendisproportionen auszugleichen.

Random Forests werden üblicherweise mit einer Bootstrap‑Rate von 1,0 trainiert, das heißt, jedes Baumsample hat dieselbe Größe wie das komplette Trainingsset. In einer neuen Studie wurde untersucht, wie sich die Rate von 0,2 bis 5,0 auf die Regressionsleistung auswirkt. Dabei wurden 39 heterogene Datensätze und 16 verschiedene Random‑Forest‑Konfigurationen mit wiederholter Zweifach‑Cross‑Validation und mittlerem quadratischem Fehler bewertet.