• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Statistics and computing >Bootstrap bias corrections for ensemble methods
【24h】

Bootstrap bias corrections for ensemble methods

机译：集成方法的自举偏差校正

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

This paper examines the use of a residual bootstrap for bias correction in machine learning regression methods. Accounting for bias is an important obstacle in recent efforts to develop statistical inference for machine learning. We demonstrate empirically that the proposed bootstrap bias correction can lead to substantial improvements in both bias and predictive accuracy. In the context of ensembles of trees, we show that this correction can be approximated at only double the cost of training the original ensemble. Our method is shown to improve test set accuracy over random forests by up to 70% on example problems from the UCI repository.
机译：本文研究了在机器学习回归方法中使用剩余引导程序进行偏差校正的情况。偏差的考虑是最近为机器学习开发统计推断的重要障碍。我们从经验上证明，提出的自举偏差校正可以导致偏差和预测准确性的显着提高。在树木合奏的情况下，我们表明可以仅以训练原始合奏的成本的两倍来近似进行此校正。对于来自UCI存储库的示例问题，我们的方法显示出可将随机森林上的测试集准确性提高多达70％。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号