タグ付けされた質問 「supervised-learning」

https://www.tensorflow.org/ GitHubで見たTensorFlowのプロジェクトはすべて、ある種のニューラルネットワークモデルを実装しています。TensorFlowがDAGよりも改善されていることを考えると（これはもはや非循環ではありません）、いくつかの固有の欠点により一般的な機械学習モデルに適さなくなるのではないかと思っていましたか？ TensorFlowの計算モデルで、一般的な機械学習アルゴリズムを実装することは可能ですか？

8 machine-learning  neural-networks  deep-learning  supervised-learning  tensorflow 

バイナリ分類（教師あり学習）の問題があり、すべての機能がブール値であり、次のような工夫があります。分類子を学習したい f：{ 0 、1}ん→ { 0 、1 }f：{0、1}ん→{0、1}f:\{0,1\}^n \to \{0,1\}それはモノトーンです。つまり、機能のサブセットを0から1に変更しても、分類子の出力が1から0に変更されることはありません。 どうすればモノトーン分類器を学習できますか？標準的な分類方法を何らかの方法で適合させて、単調性制約を強制できますか？ 単調なモデルを確実に学習できるようにロジスティック回帰を適応させる方法を見ることができます。各特徴の係数が非負であることを要求してから、制約付き最適化アルゴリズムを適用してモデルの係数を推測できます。他の教師あり学習スキーム（ランダムフォレスト、勾配ブースティング、ニューラルネットワークなど）を適応させるための合理的な方法はありますか？または、この状況に適した専用アルゴリズムはありますか？ 残念ながら、標準のランダムフォレスト分類器を適用するだけでは、トレーニングセットが単調であっても保証されません（単調設定に由来し、ノイズや単調性の違反はありません）。明示的な例、つまり、ランダムフォレストが非単調分類器を学習する可能性がある単調トレーニングセットの例については、https：//cs.stackexchange.com/q/69220/755を参照してください。それも同様に良いことです。これは、単調分類器を学習したい場合、さらに高度な手法が必要になる可能性があることを示唆しています。

8 machine-learning  binary-data  supervised-learning 

インスタンスのセットが与えられます。インスタンスごとに、（数値）特徴（、、...、）、n >> mで構成される特徴ベクトルがあります。さらに、インスタンスごとに数値スコア（観測可能）があります。私はしたいと思います：んんnメートルメートルmバツ1バツ1x_1バツ2バツ2x_2バツメートルバツメートルx_myyy 特徴のどのサブセットまたはその線形結合がスコアを最もよく説明しているかを調べます。 このための素晴らしい視覚化を作成します。 主成分分析（PCA）を指摘されました。PCAの問題は、特徴ベクトルのみが考慮されることです。PCAは、特徴を数値スコア関連付けません。yyy 実用的なアプリケーション：多数の問題インスタンス（巡回セールスマンの問題など）と、問題を解決するためのいくつかのアルゴリズムがある場合。インスタンスを解決するたびに、インスタンスの解決にかかった合計時間（=スコア）を測定できます。さらに、インスタンスごとに、インスタンスのサイズ、グラフの直径など、いくつかの機能を取得できます。これらの機能のどれが計算時間を最もよく説明しますか？

7 machine-learning  classification  supervised-learning