DOLDA——一种用于高维多类回归的正则化监督主题模型
机器学习
2016-10-21 v2
摘要
在具有众多类别和解释性协变量的数据丰富环境中，生成用户可解释的多类预测是一项艰巨任务。我们引入对角正交潜狄利克雷分配（DOLDA），一种用于多类分类的监督主题模型，能够处理多类别以及多协变量。为处理多类别，我们使用最近提出的对角正交（DO）probit 模型（Johndrow 等，2013）以及用于变量选择/收缩的高效 Horseshoe 先验（Carvalho 等，2010）。我们为新模式提出了计算高效的并行 Gibbs 采样器。DOLDA 的一个重要优势是，学习到的主题直接连接到各个类别，而无需参考类别。我们在两个数据集上评估了该模型的预测准确性，并展示了 DOLDA 在解释所生成预测方面的优势。
引用
@article{arxiv.1602.00260,
title = {DOLDA - a regularized supervised topic model for high-dimensional multi-class regression},
author = {Måns Magnusson and Leif Jonsson and Mattias Villani},
journal= {arXiv preprint arXiv:1602.00260},
year = {2016}
}