机构名称：
¥ 2.0
尽管对文本和图像数据进行了深度学习的成功，但基于树的集合模型仍然是使用异质表格数据的机器学习的最新。但是，由于其高灵活性，因此非常需要基于表格的基于梯度的方法。在本文中，我们提出了Grande，Gra Die n t-d ecision树E nSembles，这是一种使用端到端梯度下降的努力学习的新方法。Grande是基于树形合奏的密集表示，该代表允许使用直线操作员使用backpropaga，以共同优化所有模型参数。我们的方法结合了轴对齐的分裂，这是对TAB-ular数据的有用电感偏差，并具有基于梯度的优化的灵活性。此外，我们引入了一个高级实例的加权，以促进单个模型中简单和复杂关系的学习代表。我们对预定义的基准进行了广泛的评估，并与19个分类数据集进行了广泛的评估，并证明我们的方法在大多数数据集上都优于现有的梯度增强和深度学习框架。该方法可在：https：//github.com/s-marton/grande
表格数据的基于梯度的决策树
主要关键词
相关文件推荐
