实值全维度搜索：属性子集上的低开销快速搜索
人工智能
2013-01-07 v1
摘要
本文研究非线性统计优化内循环中列联表组合空间的搜索问题。此操作在各类数据分析领域中的例子包括：搜索对回归有显著贡献的非线性属性组合（统计学）、搜索要包含在决策列表中的项（机器学习）以及关联规则挖掘（数据挖掘）。本文研究了一种针对此类问题的高效新方法，称为 RADSEARCH（实值全维度树搜索）。RADSEARCH 能找到全局最优解，这使我们有机会实证评估一个问题：除了算法上的优雅性，这种对最优性的关注能带来什么实际收益？我们将 RADSEARCH 与其他近期成功的搜索算法（如 CN2、PRIM、APriori、OPUS 和 DenseMiner）进行了比较。最后，我们介绍了 RADREG，一种基于 RADSEARCH 搜索高阶交互来学习实值输出的新回归算法。
引用
@article{arxiv.1301.0589,
title = {Real-valued All-Dimensions search: Low-overhead rapid searching over subsets of attributes},
author = {Andrew Moore and Jeff Schneider},
journal= {arXiv preprint arXiv:1301.0589},
year = {2013}
}
备注
Appears in Proceedings of the Eighteenth Conference on Uncertainty in Artificial Intelligence (UAI2002)