LazyBum：使用惰性命题化的决策树学习
机器学习
2021-05-12 v1 人工智能
机器学习
摘要
命题化是将关系数据汇总为表格（属性-值）格式的过程。得到的表格接下来可被任何命题学习器使用。这种方法使得能够将多种学习方法应用于关系数据。然而，从关系到命题格式的转换一般不是无损的：不同的关系结构可能被映射到相同的特征向量。同时，可能引入对于手头学习任务不需要的特征。一般而言，很难定义一个既包含且只包含学习任务所需全部特征的特征空间。本文提出LazyBum，一个可被视为近期提出的命题化方法OneBM的惰性版本的系统。LazyBum将OneBM的特征构造方法与决策树学习器交错进行。该学习器既使用又引导命题化过程。它指示何时以及何处寻找新特征。这种方法类似于其他地方所称的动态命题化。在与原始OneBM及另外两种近期提出的命题化方法（nFOIL和MODL，分别执行动态和静态命题化）的实验比较中，LazyBum在大多数数据集上以更低的执行时间取得了可比的准确率。
引用
@article{arxiv.1909.05044,
title = {LazyBum: Decision tree learning using lazy propositionalization},
author = {Jonas Schouterden and Jesse Davis and Hendrik Blockeel},
journal= {arXiv preprint arXiv:1909.05044},
year = {2021}
}
备注
15 pages, 5 figures