National and Kapodistrian University of Athens
STATISTICAL LEARNING THROUGH BAYESIAN ADDITIVE REGRESSION TREES
Abstract
dc:descriptionΜέσα από την τεράστια ποικιλία μεθόδων στατιστικής μάθησης, τα μοντέλα που ενσωματώνουν δυαδικά δέντρα είναι η πιο δημοφιλής επιλογή τόσο σε προβλήματα κατηγοριοποίησης όσο και σε προβλήματα παλινδρόμησης. Τέτοιοι αλγόριθμοι αποτελούν τα Random Forests (Breinman, 2001) και το Stochastic Gradient Boosting (Friedman, 2002). Το ενδιαφέρον στρέφεται στα Bayesian Additive Regression Trees, γνωστά ως BART, μια μη παραμετρική, Μπευζιανή προσέγγιση παλινδρόμησης η οποία διαφοροποιείται από τις προηγούμενες , αφού βασίζεται σε ένα Μπευζιανό μοντέλο πιθανοτήτων και όχι σε έναν καθαρό αλγόριθμο. Η αξιοσημείωτη διαφορά του BART είναι η ανάπτυξη ενός μοντέλου αθροίσματος δέντρων, καθιστώντας το ένα αθροιστικό μοντέλο, όπου κάθε δέντρο περιορίζεται από μια συγκεκριμένη prior προκειμένου να έχει μικρή επίδραση. Πέρα από την συμπερασματολογία που αντλείται από έναν MCMC αλγόριθμο, το BART μπορεί να θεωρηθεί κατάλληλο για την επιλογή και στατισιτκά σημαντικών μεταβλητών. Τέλος, η εφαρμογή του BART έχει δείξει αρκετά θετικά αποτελέσματα σε μια μεγάλη ποικιλία προβλημάτων του πραγματικού κόσμου, όπως η πρόβλεψη χιονοστιβάδων σε ορεινούς δρόμους (Blattenberger and Fowles, 2014) ή ο τρόπος με τον οποίο οι μεταγραφικοί παράγοντες αλληλεπιδρούν με το DNA (Zhou and Liu, 2008).
Author and committee
dc:creator, dc:contributor.*- Authors dc:creator
-
- Μαυρίκος Μαυρίκιος
- Mavrikos Mavrikios
Subjects
dc:subject × 2Rights
- Language dc:language
- English
Identifiers
dc:identifier.*- Identifier
- uoadl:3419311