KDD Cup 2009 @ 布达佩斯：特征划分与提升

米克洛什·库鲁茨 (Miklós Kurucz)， 达维德·西克洛西 (Dávid Siklósi)， 伊斯特万·比罗 (István Bíró)， 彼得·奇泽克 (Péter Csizsek)， 佐尔特·费凯特 (Zsolt Fekete)， 罗伯特·伊瓦特 (Róbert Iwatt)， 塔马斯·基斯 (Tamás Kiss)， 阿德里安·萨博 (Adrienn Szabó)
KDD-Cup 2009 竞赛论文集, PMLR 7:65-75, 2009.

摘要

我们描述了我们在 KDD Cup 2009 竞赛中的最终提交方法，以及一些普遍认为效果良好的有希望的方向，但最终未能达到我们的预期。我们的最终方法结合了 LogitBoost 和 ADTree 分类器，并采用了一种特征选择方法，通过我们进行的实验，该方法与一些被广泛引用的调查中描述的方法大相径庭。一些失败的方法包括用于特征选择的距离、信息和依赖性度量，以及在划分的特征集上对分类器进行组合。作为另一个主要的经验教训，交替决策树和 LogitBoost 在 KDD Cup 2009 数据的大多数特征子集上表现优于大多数分类器。

引用本文

BibTeX
@InProceedings{pmlr-v7-kurucz09, title = {KDD Cup 2009 @ 布达佩斯：特征划分与提升}, author = {Kurucz, Miklós and Siklósi, Dávid and Bíró, István and Csizsek, Péter and Fekete, Zsolt and Iwatt, Róbert and Kiss, Tamás and Szabó, Adrienn}, booktitle = {KDD-Cup 2009 竞赛论文集}, pages = {65--75}, year = {2009}, editor = {Dror, Gideon and Boullé, Mar and Guyon, Isabelle and Lemaire, Vincent and Vogel, David}, volume = {7}, series = {机器学习研究论文集}, address = {美国纽约州纽约市}, month = {28 Jun}, publisher = {PMLR}, pdf = {https://pmlr.com.cn/v7/kurucz09/kurucz09.pdf}, url = {https://pmlr.com.cn/v7/kurucz09.html}, abstract = {我们描述了我们在 KDD Cup 2009 竞赛中的最终提交方法，以及一些普遍认为效果良好的有希望的方向，但最终未能达到我们的预期。我们的最终方法结合了 LogitBoost 和 ADTree 分类器，并采用了一种特征选择方法，通过我们进行的实验，该方法与一些被广泛引用的调查中描述的方法大相径庭。一些失败的方法包括用于特征选择的距离、信息和依赖性度量，以及在划分的特征集上对分类器进行组合。作为另一个主要的经验教训，交替决策树和 LogitBoost 在 KDD Cup 2009 数据的大多数特征子集上表现优于大多数分类器。} }
Endnote
%0 会议论文 %T KDD Cup 2009 @ 布达佩斯：特征划分与提升 %A Miklós Kurucz %A Dávid Siklósi %A István Bíró %A Péter Csizsek %A Zsolt Fekete %A Róbert Iwatt %A Tamás Kiss %A Adrienn Szabó %B KDD-Cup 2009 竞赛论文集 %C 机器学习研究论文集 %D 2009 %E Gideon Dror %E Mar Boullé %E Isabelle Guyon %E Vincent Lemaire %E David Vogel %F pmlr-v7-kurucz09 %I PMLR %P 65--75 %U https://pmlr.com.cn/v7/kurucz09.html %V 7 %X 我们描述了我们在 KDD Cup 2009 竞赛中的最终提交方法，以及一些普遍认为效果良好的有希望的方向，但最终未能达到我们的预期。我们的最终方法结合了 LogitBoost 和 ADTree 分类器，并采用了一种特征选择方法，通过我们进行的实验，该方法与一些被广泛引用的调查中描述的方法大相径庭。一些失败的方法包括用于特征选择的距离、信息和依赖性度量，以及在划分的特征集上对分类器进行组合。作为另一个主要的经验教训，交替决策树和 LogitBoost 在 KDD Cup 2009 数据的大多数特征子集上表现优于大多数分类器。
RIS
TY - CPAPER TI - KDD Cup 2009 @ 布达佩斯：特征划分与提升 AU - Miklós Kurucz AU - Dávid Siklósi AU - István Bíró AU - Péter Csizsek AU - Zsolt Fekete AU - Róbert Iwatt AU - Tamás Kiss AU - Adrienn Szabó BT - KDD-Cup 2009 竞赛论文集 DA - 2009/12/04 ED - Gideon Dror ED - Mar Boullé ED - Isabelle Guyon ED - Vincent Lemaire ED - David Vogel ID - pmlr-v7-kurucz09 PB - PMLR DP - 机器学习研究论文集 VL - 7 SP - 65 EP - 75 L1 - https://pmlr.com.cn/v7/kurucz09/kurucz09.pdf UR - https://pmlr.com.cn/v7/kurucz09.html AB - 我们描述了我们在 KDD Cup 2009 竞赛中的最终提交方法，以及一些普遍认为效果良好的有希望的方向，但最终未能达到我们的预期。我们的最终方法结合了 LogitBoost 和 ADTree 分类器，并采用了一种特征选择方法，通过我们进行的实验，该方法与一些被广泛引用的调查中描述的方法大相径庭。一些失败的方法包括用于特征选择的距离、信息和依赖性度量，以及在划分的特征集上对分类器进行组合。作为另一个主要的经验教训，交替决策树和 LogitBoost 在 KDD Cup 2009 数据的大多数特征子集上表现优于大多数分类器。 ER -
APA
库鲁茨，M.，西克洛西，D.，比罗，I.，奇泽克，P.，费凯特，Z.，伊瓦特，R.，基斯，T. & 萨博，A. (2009)。KDD Cup 2009 @ 布达佩斯：特征划分与提升。KDD-Cup 2009 竞赛论文集，发表于机器学习研究论文集 7:65-75 可从 https://pmlr.com.cn/v7/kurucz09.html 获取。

相关材料