GMISeg: General Medical Image Segmentation without Re-Training

要約

オンライン ショッピングの行動には、豊富な粒度の次元とデータの疎性という特徴があり、ユーザー行動予測に関するこれまでの研究では、機能の選択とアンサンブルの設計について真剣に議論されていませんでした。
本稿では、情報融合とアンサンブル学習に基づいたユーザーの購買行動予測のためのSE-Stackingモデルを提案した。
アンサンブル特徴選択法を利用して購入関連要素をスクリーニングすることに成功した後、ユーザーの購入行動予測にスタッキング アルゴリズムを使用しました。
予測結果の逸脱を避けるため、ベース学習器として 10 種類の異なるモデルを選択し、それらに合わせて関連パラメーターを変更することでモデルを最適化しました。
公開されているデータセットに対して行われた実験では、SE-Stacking モデルが 98.40% の F1 スコアを達成でき、最適なベース モデルよりも約 0.09% 高いことがわかりました。
SE-Stacking モデルは、ユーザーの購買行動の予測に適しているだけでなく、実際の電子商取引のシーンと組み合わせて実用的な価値もあります。
同時に、学術研究とこの分野の発展にとって重要な意味を持ちます。

要約(オリジナル)

The online shopping behavior has the characteristics of rich granularity dimension and data sparsity and previous researches on user behavior prediction did not seriously discuss feature selection and ensemble design. In this paper, we proposed a SE-Stacking model based on information fusion and ensemble learning for user purchase behavior prediction. After successfully utilizing the ensemble feature selection method to screen purchase-related factors, we used the Stacking algorithm for user purchase behavior prediction. In our efforts to avoid the deviation of prediction results, we optimized the model by selecting ten different kinds of models as base learners and modifying relevant parameters specifically for them. The experiments conducted on a publicly-available dataset shows that the SE-Stacking model can achieve a 98.40% F1-score, about 0.09% higher than the optimal base models. The SE-Stacking model not only has a good application in the prediction of user purchase behavior but also has practical value combining with the actual e-commerce scene. At the same time, it has important significance for academic research and the development of this field.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google