.png){kind=icon}
返回
An Efficient and Accurate Random Forest Node-Splitting Algorithm Based on Dynamic Bayesian Methods
.png){kind=icon}
OA
AI
DOI：10.3390/make7030070.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随机森林是广泛应用于分类和回归任务的强大机器学习模型，因其稳健的预测性能。然而，传统随机森林在构建树的过程中面临计算挑战，特别是在高维数据或资源受限设备上。本文提出了一种新颖的节点分裂算法BayesSplit，通过基于贝叶斯的不纯度估计框架加速决策树的构建。BayesSplit将不纯度减少视为具有Beta共轭先验的伯努利事件，并整合了两种主要策略。首先，动态后验参数精化根据批量迭代中观察到的不纯度减少更新Beta参数；其次，后验衍生置信界建立统计置信区间，高效地过滤掉次优分裂点。理论分析表明，BayesSplit以高概率收敛于最优分裂点，而实验结果显示，与基线相比，训练时间最多减少95%，同时保持或超过泛化性能。与当前最优的MABSplit相比，BayesSplit在分类任务上达到相似精度，并将回归训练时间减少20%–70%，同时降低MSE。此外，BayesSplit将特征重要性的稳定性提升高达40%，使其特别适用于计算受限环境中的部署。
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
M
IF:
6
论文数:
839
被引数:
1.8K
机构
引用论文
Mining high-speed data streams.png)
Proceedings of the sixth ACM SIGKDD international conference on Knowledge discovery and data mining
OAAI
Proceedings of the sixth ACM SIGKDD international conference on Knowledge discovery and data miningIF0
OAAI分享收藏An improved random forest based on the classification accuracy and correlation measurement of decision trees基于决策树分类精度和相关性度量的改进随机森林
PREAI
分享收藏Li, X.; Wang, Y.; Basu, S.; Kumbier, K.; Yu, B. A Debiased MDI Feature Importance Measure for Random Forests. In Proceedings of the Advances in Neural Information Processing Systems, Vancouver, BC, Canada, 8–14 December 2019; Volume 32, pp. 8049–8059. [Google Scholar] [CrossRef]Li, X.; Wang, Y.; Basu, S.; Kumbier, K.; Yu, B. 一种用于随机森林的消偏MDI特征重要性度量。刊载于《神经信息处理系统进展》会议论文集，加拿大温哥华，BC省，2019年12月8–14日；卷32，第8049–8059页。 [Google Scholar] [CrossRef]
IF0
PREAI
分享收藏A flexible and efficient FPGA-based random forest architecture for IoT applicationsINTERNET OF THINGS
INTERNET OF THINGSIF7.6
PREAI
分享收藏
查看更多内容