-
1
Interpretable machine learning with an ensemble of gradient boosting machines
Veröffentlicht in Knowledge-based systems
VolltextArtikel -
2
An imprecise deep forest for classification
Veröffentlicht in Expert systems with applications
VolltextArtikel -
3
Attention-based random forest and contamination model
Veröffentlicht in Neural networks
VolltextArtikel -
4
SurvLIME: A method for explaining machine learning survival models
Veröffentlicht in Knowledge-based systems
VolltextArtikel -
5
Uncertainty Interpretation of the Machine Learning Survival Model Predictions
Veröffentlicht in IEEE access
VolltextArtikel -
6
-
7
-
8
Multi-attention multiple instance learning
Veröffentlicht in Neural computing & applications
VolltextArtikel -
9
SurvNAM: The machine learning survival model explanation
Veröffentlicht in Neural networks
VolltextArtikel -
10
Improving over-fitting in ensemble regression by imprecise probabilities
Veröffentlicht in Information sciences
VolltextArtikel -
11
A robust weighted SVR-based software reliability growth model
Veröffentlicht in Reliability engineering & system safety
VolltextArtikel -
12
A deep forest classifier with weights of class probability distribution subsets
Veröffentlicht in Knowledge-based systems
VolltextArtikel -
13
Interpretable ensembles of hyper-rectangles as base models
Veröffentlicht in Neural computing & applications
VolltextArtikel -
14
-
15
-
16
-
17
Fuzzy One-Class Classification Model Using Contamination Neighborhoods
Veröffentlicht in Advances in Fuzzy Systems
VolltextArtikel -
18
-
19
-
20
Improvement of the Deep Forest Classifier by a Set of Neural Networks
Veröffentlicht in Informatica (Ljubljana)
VolltextArtikel