跳到正文
热点事件持续更新

论文重新评估表格基础模型与调参GBDT在电信流失预测中的利润表现

1 篇报道1 个报道来源2 小时前更新

先了解这件事

AI 综述

Ismail Hossain Polas 发布论文,在五个公开电信客户流失数据集上、10 个种子划分下,用期望最大利润(EMP)与校准指标对比 TabPFN-2.5、TabPFN-3.5、TabPFN-3.5-Fast、TabICL v2 与经 Optuna 调优的梯度提升树(GBDT)。 论文指出,所用划分是对同一批数据集的重复采样,结果不能代表独立的数据集;并称在所测试的数据集和划分上,即使大幅增加调参预算、并使用能识别重复样本的划分,主要结论不变。

AI 根据报道生成 · 1 小时前更新

报道时间线

沿着报道,了解事件的不同侧面。

11月11日
  1. arXiv cs.AI
    表格基础模型 vs 调优梯度提升树:面向电信客户流失的利润与校准感知评估

    一项新研究在五个公开电信流失数据集上、10 个种子划分下,将 TabPFN-2.5、TabPFN-3.5、TabPFN-3.5-Fast 和 TabICL v2 与经 Optuna 调优的 GBDT 对比,用期望最大利润(EMP)与校准指标评估。

本事件热度走势

还没有足够的连续观测数据,暂不绘制趋势。