Компьютерные науки > Машинное обучение [представлено 5 сентября 2026 года] Название: " Расширение масштабов оптимальной классификации деревьев с помощью адаптационной структуры и просмотра сокращения проб HTML (экспериментального) резюме: Динамическое программирование для оптимальных классических деревьев становится в расчет дорогым по мере увеличения числа характеристик и учебных образцов. Мы разрабатываем совместную систему сокращения параметров и пробоотбора пространства на основе СТИД. Взвешенный СТИД объединяет дублирующие записи, созданные после проекции на фиксированного кандидата в виде взвешенных представителей. Это снижает зависимость от выборки при расчете без изменения проблемы оптимизации фиксированной выборки. Адаптивная СТРИД неоднократно совершенствует ограниченный набор кандидатов, сохраняет особенности, используемые действующим деревом, восстанавливает взвешенный представительство и решает связанные с этим сокращенные проблемы. Каждый сертифицированный взвешенный StrieD раствор является оптимальным для текущего набора кандидатов, тогда как внешний поиск объектов остается эвристическим по всему функциональному пространству. Эксперименты на пяти наборах данных показывают, что Взвешенный СТИД достигает скорости до 121,41 раза по сравнению со стандартным СТРИД. Адаптивная СТРИД сокращает время работы в сравнении на глубинах от 2 до 4 и продолжает возвращать пригодные для использования деревья на больших глубинах, где методы полной защиты природы ограничены…
Расширение масштабов оптимальной классификации деревьев путем адаптивной оценки характеристик и сокращения проб
arXiv: 26009,05826v1 Annualce Type: New Habriatory: Diamic programing for Opintal Classification dreaties становится вычислительно дорогостоящим по мере увеличения числа характеристик и учебных образцов. Мы разрабатываем совместную систему сокращения параметров и пробоотбора пространства на основе СТИД. Взвешенный СТИД объединяет дублирующие записи, созданные после проекции на фиксированного кандидата в виде взвешенных представителей. Это снижает зависимость от выборки при расчете без изменения проблемы оптимизации фиксированной выборки. Адаптивная СТРИД неоднократно совершенствует ограниченный набор кандидатов, сохраняет особенности, используемые действующим деревом, восстанавливает взвешенный представительство и решает связанные с этим сокращенные проблемы. Каждый сертифицированный взвешенный StrieD раствор является оптимальным для текущего набора кандидатов, тогда как внешний поиск объектов остается эвристическим по всему функциональному пространству. Эксперименты на пяти наборах данных показывают, что Взвешенный СТИД достигает скорости до 121,41 раза по сравнению со стандартным СТРИД. Адаптивная СТИД сокращает время работы в м