.png){kind=icon}
返回
Confidence ensembles: Tabular data classifiers on steroids
.png){kind=icon}
OA
AI
DOI：10.1016/j.inffus.2025.103126.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
过去几十年开展的大量研究为解决表格数据的各种任务提供了丰富的机器学习（ML）算法和模型。然而，分类器并不总是快速、准确，且对未知输入具有鲁棒性，这需要在该领域进行进一步研究。本文提出了两种基于置信度集成（confidence ensembles）的分类器：置信度装袋（ConfBag）和置信度提升（ConfBoost）。置信度集成基于基础估计器，并根据预测的置信度概念创建基础学习器。它们适用于任何分类问题：二分类和多分类、有监督或无监督，且不需要额外数据，只需基础估计器已要求的数据即可。我们的实验评估使用了一系列表格数据集，表明置信度集成，特别是ConfBoost，i) 比仅使用基础估计器构建更准确的分类器，即使使用有限数量的基础学习器；ii) 由于依赖有限数量的超参数，因此相对容易调整；iii) 在处理未知、意外的输入数据时，比其他表格数据分类器显著更鲁棒。其中，置信度集成展示了超越表格数据领域标准分类器（如Random Forest和eXtreme Gradient Boosting）性能的潜力。ConfBag和ConfBoost作为PyPI包公开提供，符合广泛使用的Python框架（如scikit-learn和pyod），且在应用于表格数据的分类任务时几乎不需要调整。
Keyword:
Confidence ensembles
Classification confidence
Ensemble learning
Robust classification
Tabular data
Machine learning
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
IF:
15.5
论文数:
4.2K
被引数:
2.7W
机构
引用论文
CPS-GUARD: Intrusion detection for cyber-physical systems and IoT devices using outlier-aware deep autoencoders.png)
COMPUTERS & SECURITYOAAI
COMPUTERS & SECURITYIF5.4
OAAI分享收藏Image fusion meets deep learning: A survey and perspective图像融合与深度学习: 综述与展望INFORMATION FUSION
INFORMATION FUSIONIF15.5
PREAI
分享收藏
Toward developing a systematic approach to generate benchmark datasets for intrusion detectionCOMPUTERS & SECURITY
COMPUTERS & SECURITYIF5.4
PREAI
分享收藏
查看更多内容