• 文献检索
  • 文档翻译
  • 深度研究
  • 学术资讯
  • Suppr Zotero 插件Zotero 插件
  • 邀请有礼
  • 套餐&价格
  • 历史记录
应用&插件
Suppr Zotero 插件Zotero 插件浏览器插件Mac 客户端Windows 客户端微信小程序
定价
高级版会员购买积分包购买API积分包
服务
文献检索文档翻译深度研究API 文档MCP 服务
关于我们
关于 Suppr公司介绍联系我们用户协议隐私条款
关注我们

Suppr 超能文献

核心技术专利：CN118964589B侵权必究
粤ICP备2023148730 号-1Suppr @ 2026

文献检索

告别复杂PubMed语法，用中文像聊天一样搜索，搜遍4000万医学文献。AI智能推荐，让科研检索更轻松。

立即免费搜索

文件翻译

保留排版，准确专业，支持PDF/Word/PPT等文件格式，支持 12+语言互译。

免费翻译文档

深度研究

AI帮你快速写综述，25分钟生成高质量综述，智能提取关键信息，辅助科研写作。

立即免费体验

最优群体学习机器。

The optimal crowd learning machine.

作者信息

Battogtokh Bilguunzaya, Mojirsheibani Majid, Malley James

机构信息

Center for Information Technology, National Institutes of Health, Bethesda, MD USA.

Department of Mathematics, California State University Northridge, Northridge, CA USA.

出版信息

BioData Min. 2017 May 19;10:16. doi: 10.1186/s13040-017-0135-7. eCollection 2017.

DOI:10.1186/s13040-017-0135-7
PMID:28533819
原文链接:https://pmc.ncbi.nlm.nih.gov/articles/PMC5437584/
Abstract

BACKGROUND

Any family of learning machines can be combined into a single learning machine using various methods with myriad degrees of usefulness.

RESULTS

For making predictions on an outcome, it is provably at least as good as the best machine in the family, given sufficient data. And if one machine in the family minimizes the probability of misclassification, in the limit of large data, then Optimal Crowd does also. That is, the Optimal Crowd is asymptotically Bayes optimal if any machine in the crowd is such.

CONCLUSIONS

The only assumption needed for proving optimality is that the outcome variable is bounded. The scheme is illustrated using real-world data from the UCI machine learning site, and possible extensions are proposed.

摘要

背景

任何学习机器家族都可以通过各种方法组合成一个单一的学习机器，这些方法具有不同程度的实用性。

结果

在有足够数据的情况下，对于对结果进行预测而言，可证明它至少与家族中最佳的机器一样好。并且如果家族中的一台机器将错误分类的概率最小化，在大数据的极限情况下，那么最优群体（Optimal Crowd）也会如此。也就是说，如果群体中的任何一台机器是渐近贝叶斯最优的，那么最优群体也是。

结论

证明最优性所需的唯一假设是结果变量是有界的。使用来自UCI机器学习网站的真实世界数据对该方案进行了说明，并提出了可能的扩展。

https://cdn.ncbi.nlm.nih.gov/pmc/blobs/ba5b/5437584/6e0c24c00d38/13040_2017_135_Fig13_HTML.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/ba5b/5437584/21cbf3ad0f1f/13040_2017_135_Fig1_HTML.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/ba5b/5437584/2102319faecc/13040_2017_135_Fig2_HTML.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/ba5b/5437584/466f4e652a8c/13040_2017_135_Fig3_HTML.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/ba5b/5437584/2c97a8362022/13040_2017_135_Fig4_HTML.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/ba5b/5437584/b73ee3903790/13040_2017_135_Fig5_HTML.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/ba5b/5437584/afa6e5acc33a/13040_2017_135_Fig6_HTML.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/ba5b/5437584/9f445e17fee8/13040_2017_135_Fig7_HTML.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/ba5b/5437584/e2b516e22c3c/13040_2017_135_Fig8_HTML.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/ba5b/5437584/3c52f91774be/13040_2017_135_Fig9_HTML.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/ba5b/5437584/d039d32bdd62/13040_2017_135_Fig10_HTML.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/ba5b/5437584/e4601451d238/13040_2017_135_Fig11_HTML.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/ba5b/5437584/fda6d3f9c040/13040_2017_135_Fig12_HTML.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/ba5b/5437584/6e0c24c00d38/13040_2017_135_Fig13_HTML.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/ba5b/5437584/21cbf3ad0f1f/13040_2017_135_Fig1_HTML.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/ba5b/5437584/2102319faecc/13040_2017_135_Fig2_HTML.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/ba5b/5437584/466f4e652a8c/13040_2017_135_Fig3_HTML.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/ba5b/5437584/2c97a8362022/13040_2017_135_Fig4_HTML.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/ba5b/5437584/b73ee3903790/13040_2017_135_Fig5_HTML.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/ba5b/5437584/afa6e5acc33a/13040_2017_135_Fig6_HTML.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/ba5b/5437584/9f445e17fee8/13040_2017_135_Fig7_HTML.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/ba5b/5437584/e2b516e22c3c/13040_2017_135_Fig8_HTML.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/ba5b/5437584/3c52f91774be/13040_2017_135_Fig9_HTML.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/ba5b/5437584/d039d32bdd62/13040_2017_135_Fig10_HTML.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/ba5b/5437584/e4601451d238/13040_2017_135_Fig11_HTML.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/ba5b/5437584/fda6d3f9c040/13040_2017_135_Fig12_HTML.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/ba5b/5437584/6e0c24c00d38/13040_2017_135_Fig13_HTML.jpg

相似文献

1
The optimal crowd learning machine.最优群体学习机器。
BioData Min. 2017 May 19;10:16. doi: 10.1186/s13040-017-0135-7. eCollection 2017.
2
Accurate wisdom of the crowd from unsupervised dimension reduction.通过无监督降维实现群体的准确智慧。
R Soc Open Sci. 2019 Jul 31;6(7):181806. doi: 10.1098/rsos.181806. eCollection 2019 Jul.
3
Development of Big Data Predictive Analytics Model for Disease Prediction using Machine learning Technique.基于机器学习技术的疾病预测大数据预测分析模型的开发。
J Med Syst. 2019 Jul 5;43(8):272. doi: 10.1007/s10916-019-1398-y.
4
Risk estimation using probability machines.使用概率机进行风险估计。
BioData Min. 2014 Mar 1;7(1):2. doi: 10.1186/1756-0381-7-2.
5
Evolutionary extreme learning machine with sparse cost matrix for imbalanced learning.用于不平衡学习的具有稀疏代价矩阵的进化极限学习机。
ISA Trans. 2020 May;100:198-209. doi: 10.1016/j.isatra.2019.11.020. Epub 2019 Nov 23.
6
Introduction to machine learning.机器学习导论
Methods Mol Biol. 2014;1107:105-28. doi: 10.1007/978-1-62703-748-8_7.
7
A Model-Based Approach to the Wisdom of the Crowd in Category Learning.一种基于模型的类别学习中群体智慧的方法。
Cogn Sci. 2018 Jun;42 Suppl 3:861-883. doi: 10.1111/cogs.12561. Epub 2017 Nov 2.
8
Optimal Spatial Prediction Using Ensemble Machine Learning.使用集成机器学习的最优空间预测
Int J Biostat. 2016 May 1;12(1):179-201. doi: 10.1515/ijb-2014-0060.
9
The Hierarchical Discrete Pursuit Learning Automaton: A Novel Scheme With Fast Convergence and Epsilon-Optimality.分层离散追踪学习自动机：一种具有快速收敛性和ε最优性的新方案。
IEEE Trans Neural Netw Learn Syst. 2024 Jun;35(6):8278-8292. doi: 10.1109/TNNLS.2022.3226538. Epub 2024 Jun 3.
10
Expert-augmented machine learning.专家增强型机器学习。
Proc Natl Acad Sci U S A. 2020 Mar 3;117(9):4571-4577. doi: 10.1073/pnas.1906831117. Epub 2020 Feb 18.

引用本文的文献

1
What makes a good prediction? Feature importance and beginning to open the black box of machine learning in genetics.什么造就了良好的预测？特征重要性以及开启遗传学中机器学习的黑箱。
Hum Genet. 2022 Sep;141(9):1515-1528. doi: 10.1007/s00439-021-02402-z. Epub 2021 Dec 4.
2
Collective feature selection to identify crucial epistatic variants.用于识别关键上位性变异的集体特征选择
BioData Min. 2018 Apr 19;11:5. doi: 10.1186/s13040-018-0168-6. eCollection 2018.

本文引用的文献

1
Synthetic learning machines.合成学习机器
BioData Min. 2014 Dec 18;7(1):28. doi: 10.1186/s13040-014-0028-y. eCollection 2014.
2
Risk estimation using probability machines.使用概率机进行风险估计。
BioData Min. 2014 Mar 1;7(1):2. doi: 10.1186/1756-0381-7-2.
3
Probability machines: consistent probability estimation using nonparametric learning machines.概率机器：使用非参数学习机器进行一致概率估计。
Methods Inf Med. 2012;51(1):74-81. doi: 10.3414/ME00-01-0052. Epub 2011 Sep 14.