Oct, 2023

CLASSify: 一个用于机器学习的基于 Web 的工具

PDF
TL;DR机器学习分类问题在生物信息学中很常见，但模型训练、优化和推理所需的技术知识可能阻碍研究人员利用这项技术。本文介绍了一种自动化工具，用于简化机器学习分类问题的训练模型和生成结果的过程，并提供信息丰富的可视化和对数据的洞察。该工具支持二元和多类分类问题，并提供多种模型和方法。界面内可以生成合成数据，以填充缺失值、平衡类别标签或生成全新的数据集。它还支持特征评估，并生成解释性分数以指示哪些特征最影响输出结果。我们提出了 CLASSify，这是一个开源工具，旨在简化解决分类问题的用户体验，无需机器学习知识。
machine learningclassification problemsautomated toolvisualizationsuser experience
发现论文，激发创造
  • 应用数据驱动的机器学习探索生物信息学问题

    本文研究了当前 13 种常用的机器学习算法在 165 个公开分类问题上的表现，提供数据驱动的算法推荐，并总结出 5 种算法以及与分类问题相关的超参数，用于优化分类器的性能。同时，提供了应用机器学习于监督分类问题的一般指导原则。

    Aug, 2017

  • 分类器技术与进步的幻觉

    本文讨论了有监督分类中的一些早期方法和现代发展，并探讨了这些方法之间相对优劣的比较研究存在的局限性，即简单方法通常可以产生与更复杂方法几乎相当的性能。

    Jun, 2006

  • 自动文本分类中的机器学习

    介绍了文本分类中主流的基于机器学习技术的方法，并就文档表示、分类器构建和评估等三个问题展开讨论。

    Oct, 2001

  • 使用机器学习模型对文本进行分类并确定对话偏移

    该研究旨在使用自然语言特征提取方法在机器学习中，将朴素贝叶斯、逻辑回归和支持向量机等基本模型用于检测讨论线路偏离主题时教师必须介入的情况，从而实现文本分类和语义分析。

    Nov, 2022

  • 深度学习解释的交互式分类

    本文介绍了一个交互式系统，使用户能够操作图像，探索深度学习图像分类器的稳健性和灵敏度，用户可以使用图像修复算法删除图像特征并实时获得新的分类，从而通过实验性地修改图像并观察模型的反应，提出各种 “如果” 的问题。我们的系统允许用户比较和对比人类和机器学习模型用于分类的图像区域，揭示了一系列惊人的结果，从可观的失败（例如，“水瓶” 图像在去除一个人后变成了 “音乐会” ）到卓越的弹性（例如，“棒球选手” 图像即使没有手套或基座也能正确分类）。我们在 CVPR 会议上展示了我们的系统以供观众直播尝试，我们的系统在 https 网址上开源，视频演示可在此 https 网址上获得。

    Jun, 2018

  • 从异构数据中建立分类体系的人工智能与人类协同

    通过结合机器学习以支持分类体系的构建，本文探讨了如何让用户在分类体系构建过程中逐步考虑多个模型的输出，以此强调人工智能与人类的协同合作，并通过两个真实应用案例进行了验证。

    Jul, 2023

  • SIBILA：高性能计算和可解释机器学习共同努力，为个性化医学提供新决策工具

    该研究说明了开发出一种基于可解释机器学习的软件工具（SIBILA），以便于医生进行个性化医学决策，并通过三个病例研究验证了其在分类和回归问题上的准确性和有效性。

    May, 2022

  • 自动化机器学习的语义代码分类

    本文介绍了一种可以通过一系列简单操作控制输出的自动机器学习的应用范围，提出了一种语义代码分类任务，并探讨了在自然语言到机器学习（NL2ML）数据集上解决此问题的方法。

    Jan, 2022

  • 分类器数据质量：一种基于几何复杂度的自动基线和见解生成方法

    该研究开发了复杂度量度，可用于量化观测数据的分类复杂度并确定基准性能阈值，其有效突出可能被错误分类的数据区域和观测数据。

    Dec, 2021

  • Python 中的机器学习：Scikit-learn

    Scikit-learn 是一个 Python 模块，集成了各种最先进的机器学习算法，用于解决中等规模的监督和无监督问题，旨在将机器学习带给非专业人士使用通用高级语言，注重易用性，性能和一致的 API。

    Jan, 2012