Logistiskt modellträd

maskininlärning och datautvinning
Del av en serie om

Paradigm Övervakat lärande Oövervakat lärande Online lärande Batchinlärning Semi-övervakat lärande Självledd inlärning Förstärkningsinlärning
Problem Klassificering Regression Klustring dimensionsminskning densitetsuppskattning Anomali upptäckt Datarengöring AutoML Föreningens regler Strukturerad förutsägelse Funktionsteknik Funktionsinlärning Att lära sig rangordna Grammatikinduktion
Övervakat lärande ( klassificering • regression ) Beslutsträd Ensembler Säckväv Boostning Slumpmässig skog k -NN Linjär regression Naiv Bayes Artificiellt nervsystem Logistisk tillbakagång Perceptron Relevansvektormaskin (RVM) Stöd för vektormaskin (SVM)
Klustring BJÖRK BOTA Hierarkisk k - betyder Suddig Förväntningsmaximering (EM) DBSCAN OPTIK Genomsnittlig förskjutning
Dimensionalitetsreduktion Faktoranalys CCA ICA LDA NMF PCA PGD t-SNE SDL
Strukturerad förutsägelse Grafiska modeller Bayes nät Villkorligt slumpmässigt fält Dolda Markov
Anomali upptäckt RANSAC k -NN Lokal extremfaktor Isolering skog
Artificiellt neuralt nätverk Autokodare Kognitiv beräkning Djup lärning DeepDream Flerskiktsperceptron RNN LSTM GRU ESN reservoarberäkning Begränsad Boltzmann-maskin GAN SOM Konvolutionellt neuralt nätverk U-Net Transformator Vision Spikande neurala nätverk Memtransistor Elektrokemiskt RAM (ECRAM)
Förstärkningsinlärning Q-lärande SARSA Temporell skillnad (TD) Multi-agent Självspel
Att lära sig med människor Aktivt lärande Crowdsourcing Människan-i-slingan
Modelldiagnostik Inlärningskurva
Teori Kärnmaskiner Avvägning mellan partiskhet och varians Beräkningslärandeteori Empirisk riskminimering Occam lärande PAC-inlärning Statistiskt lärande VC teori
Maskinlärande platser NeurIPS ICML ICLR ML JMLR
Relaterade artiklar Ordlista över artificiell intelligens Lista över datauppsättningar för forskning om maskininlärning Översikt över maskininlärning

Inom datavetenskap är ett logistiskt modellträd ( LMT ) en klassificeringsmodell med en tillhörande övervakad träningsalgoritm som kombinerar logistisk regression (LR) och inlärning av beslutsträd .

Logistiska modellträd är baserade på den tidigare idén om ett modellträd: ett beslutsträd som har linjära regressionsmodeller vid sina blad för att tillhandahålla en bitvis linjär regressionsmodell (där vanliga beslutsträd med konstanter vid sina blad skulle producera en bitvis konstant modell). I den logistiska varianten LogitBoost- algoritmen för att producera en LR-modell vid varje nod i trädet; noden delas sedan med C4.5 -kriteriet. Varje LogitBoost-anrop varmstartas ^{[ vagt ]} från dess resultat i den överordnade noden. Till sist beskärs trädet.

Den grundläggande LMT-induktionsalgoritmen använder korsvalidering för att hitta ett antal LogitBoost-iterationer som inte överpassar träningsdatan. En snabbare version har föreslagits som använder Akaike-informationskriteriet för att kontrollera LogitBoost-stopp.

Se även

C4.5 algoritm

Kategori:

Beslutsträd

Logistisk modellträd

Se även