• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Statistics and computing >Transformation boosting machines
【24h】

Transformation boosting machines

机译：改造助推器

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

The broad class of conditional transformation models includes interpretable and simple as well as potentially very complex models for conditional distributions. This makes conditional transformation models attractive for predictive distribution modelling, especially because models featuring interpretable parameters and black-box machines can be understood as extremes in a whole cascade of models. So far, algorithms and corresponding theory was developed for special forms of conditional transformation models only: maximum likelihood inference is available for rather simple models, there exists a tailored boosting algorithm for the estimation of additive conditional transformation models, and a special form of random forests targets the estimation of interaction models. Here, I propose boosting algorithms capable of estimating conditional transformation models of arbitrary complexity, starting from simple shift transformation models featuring linear predictors to essentially unstructured conditional transformation models allowing complex nonlinear interaction functions. A generic form of the likelihood is maximized. Thus, the novel boosting algorithms for conditional transformation models are applicable to all types of univariate response variables, including randomly censored or truncated observations.
机译：条件转换模型的广泛类别包括用于条件分布的可解释的，简单的以及可能非常复杂的模型。这使得条件转换模型对预测分布建模具有吸引力，尤其是因为具有可解释参数和黑匣子机器的模型可以理解为整个模型级联中的极端情况。到目前为止，仅针对条件转换模型的特殊形式开发了算法和相应的理论：最大似然推断可用于相当简单的模型，存在量身定制的增强算法，用于估计条件转换模型，以及特殊形式的随机森林针对交互模型的估计。在这里，我提出了能够估计任意复杂度的条件转换模型的增强算法，从具有线性预测变量的简单移位转换模型到允许复杂的非线性相互作用函数的实质上非结构化的条件转换模型开始。可能性的一般形式被最大化。因此，用于条件转换模型的新颖提升算法适用于所有类型的单变量响应变量，包括随机删节或删减的观察值。

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