L2P：用于估计重尾分布结果的学习放置方法
机器学习
2023-10-13 v3 数据结构与算法
机器学习
摘要
许多真实世界预测任务的结果变量具有典型的重尾分布。例子包括售出图书册数、艺术品拍卖价格、仓库商品需求等。通过学习重尾分布，“大而稀有”的实例（例如畅销书）将获得准确预测。大多数现有方法并非致力于学习重尾分布，因而对此类实例严重低估。为应对该问题，我们引入学习放置（L2P），其利用实例间的成对关系进行学习。在训练阶段，L2P 学习一个成对偏好分类器：实例 A > 实例 B 是否成立？在放置阶段，L2P 通过将新实例置于已知实例之中来获得预测。基于其位置，新实例的结果变量被赋予一个值。在真实数据上的实验表明，L2P 在准确率和重现重尾结果分布的能力上均优于对比方法。此外，L2P 通过将每个预测实例放置于其可比邻域之中，提供了一个可解释的模型。当生命与财富攸关时，可解释模型极受青睐。
引用
@article{arxiv.1908.04628,
title = {L2P: Learning to Place for Estimating Heavy-Tailed Distributed Outcomes},
author = {Xindi Wang and Onur Varol and Tina Eliassi-Rad},
journal= {arXiv preprint arXiv:1908.04628},
year = {2023}
}
备注
9 pages, 6 figures, 2 tables Nature of changes from previous version: 1. Added complexity analysis in Section 2.2 2. Datasets change 3. Added LambdaMART in the baseline methods, also a brief discussion on why LambdaMart failed in our problem. 4. Figure updates