MARC

 008260126s2024        us                              c    eng  d
■001000017356563
■00520260202102953
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798315705444
■035    ▼a(MiAaPQ)AAI31767826
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a574
■1001  ▼ade  Marchi,  Daniel.
■24510▼aTree-Based  Models  for  Learning  Complex  Distributions
■260    ▼a[Sl]▼bThe  University  of  North  Carolina  at  Chapel  Hill▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a83  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-11,  Section:  B.
■500    ▼aAdvisor:  Kosorok,  Michael.
■5021  ▼aThesis  (Ph.D.)--The  University  of  North  Carolina  at  Chapel  Hill,  2024.
■520    ▼aTree-based  models  are  some  of  the  most  successful  machine  learning  models.  Their  simplicity  makes  them  considerably  faster  to  tune  and  more  robust  than  deep  learning,  leading  to  their  dominant  performance  on  tabular  datasets.  We  investigate  the  use  of  tree-based  models  on  two  problem  types.  The  first  is  feature  importance  in  nonlinear  settings  using  Shapley  values  and  Shapley-inspired  methods.  While  model-based  Shapley  values  might  be  accurate  explainers  of  model  predictions,  machine  learning  models  themselves  are  often  poor  explainers  of  the  DGP  even  if  the  model  is  highly  accurate.  We  introduce  a  novel  metric,  Shapley  Marginal  Surplus  for  Strong  Models,  that  samples  the  space  of  possible  models  to  come  up  with  a  truly  explanatory  measure  of  feature  importance.  We  compare  this  method  to  other  popular  feature  importance  methods,  both  Shapley-based  and  non-Shapley  based,  and  demonstrate  significant  outperformance  relative  to  other  methods.  We  also  provide  potential  extensions  using  Bayesian  optimization  and  online  reinforcement  learning  to  improve  performance.  The  second  problem  is  using  a  tree-based  representation  of  a  bargaining  game  to  predict  coalition  formation  in  parliamentary  governments.  Represented  as  extensive  form  bargaining  games,  single  trials  of  these  games  have  orders  of  magnitude  more  states  than  existing  game  theory  challenge  problems  such  as  poker.  Using  a  heavily  coarsened  game  tree  and  a  novel  constrained  fictitious  play  algorithm  for  most  of  the  actors  in  the  model,  we  reduce  these  incalculably  large  game  trees  to  manageable  dimensions  and  then  find  optimal  coalitions  using  Monte  Carlo  counterfactual  regret  (MCCFR)  tree  search.
■590    ▼aSchool  code:  0153.
■650  4▼aBiostatistics
■650  4▼aComputer  engineering
■653    ▼aMachine  learning  models
■653    ▼aShapley  values
■653    ▼aOnline  reinforcement  learning
■690    ▼a0308
■690    ▼a0464
■690    ▼a0800
■71020▼aThe  University  of  North  Carolina  at  Chapel  Hill▼bBiostatistics.
■7730  ▼tDissertations  Abstracts  International▼g86-11B.
■790    ▼a0153
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17356563▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books