Ranking by calibrated AdaBoost

Róbert Busa-Fekete 1 Balázs Kégl 1, 2, 3 Tamas Elteto 3 György Szarvas 4
3 TAO - Machine Learning and Optimisation
CNRS - Centre National de la Recherche Scientifique : UMR8623, Inria Saclay - Ile de France, UP11 - Université Paris-Sud - Paris 11, LRI - Laboratoire de Recherche en Informatique
Abstract : This paper describes the ideas and methodologies that we used in the Yahoo learning-to- rank challenge1. Our technique is essentially pointwise with a listwise touch at the last combination step. The main ingredients of our approach are 1) preprocessing (querywise normalization) 2) multi-class AdaBoost.MH 3) regression calibration, and 4) an expo- nentially weighted forecaster for model combination. In post-challenge analysis we found that preprocessing and training AdaBoost with a wide variety of hyperparameters im- proved individual models significantly, the final listwise ensemble step was crucial, whereas calibration helped only in creating diversity.
Type de document :
Communication dans un congrès
Yahoo! Learning to Rank Challenge, Jun 2010, Haifa, Israel. 2011
Liste complète des métadonnées

Littérature citée [14 références]  Voir  Masquer  Télécharger

https://hal.inria.fr/hal-00643001
Contributeur : Balázs Kégl <>
Soumis le : dimanche 20 novembre 2011 - 22:56:57
Dernière modification le : jeudi 5 avril 2018 - 12:30:12
Document(s) archivé(s) le : vendredi 16 novembre 2012 - 11:31:44

Fichier

final.pdf
Fichiers produits par l'(les) auteur(s)

Identifiants

  • HAL Id : hal-00643001, version 1

Collections

Citation

Róbert Busa-Fekete, Balázs Kégl, Tamas Elteto, György Szarvas. Ranking by calibrated AdaBoost. Yahoo! Learning to Rank Challenge, Jun 2010, Haifa, Israel. 2011. 〈hal-00643001〉

Partager

Métriques

Consultations de la notice

378

Téléchargements de fichiers

234