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
•
FlowPath: Lernende Flows für robuste Klassifikation unregelmäßiger Zeitreihen
arXiv – cs.LG
•
Neue Erkenntnisse zu topologischen Deskriptoren bei Graphprodukten
arXiv – cs.LG
•
TabDistill: Transformer‑Wissen in kompakte Netze für Few‑Shot Tabellendaten
arXiv – cs.LG
•
ML-Algorithmen verbessern statistische Modelle – steigern Genauigkeit
arXiv – cs.LG
•
Neue Methode nutzt Mobilitätsdaten zur präzisen Vorhersage von Sozialdemografie