关键词cost-sensitive classification
搜索结果 - 9
- BAdaCost: 多类别带代价的 Boosting
我们提出了一种多类别的成本敏感分类算法 BAdaCost,它在 Boosting 框架中结合了一组成本敏感的多类弱学习器,以获得强分类规则。通过引入 CMEL(成本敏感的多类别指数损失)推导出该算法,从而统一了 AdaBoost、SAMME - 基于代价敏感分类的拒绝分类
本文提出了一个基于代价敏感分类器的集成学习方法,用于分类与拒绝模型,它允许灵活选择损失函数并且适用于二分类和多分类情形。实验结果表明我们提出的方法在不同类型的分类任务中表现良好。
- NIPS变分自编码器在环境声音感知中的成本敏感检测
本文介绍了一种基于成本敏感的分类范式,通过选择分类器的超参数和变分自动编码器的结构来实现对假阳性率和假阴性率之间灵活控制,以检测使用简单嵌入式设备收集的声音数据集中蚊子的存在。
- KDD面向成本和误差敏感分类的软方法论
本论文提出了一种新颖的代价敏感分类方法,称为软代价敏感分类,通过多准则优化将代价和错误率相结合,可以改善现有的代价敏感分类算法,并且可以考虑加权错误率以解决不平衡分类问题。实验结果表明,该方法在测试错误率和测试代价方面都比现有的代价敏感分类 - 分类中公平的代价
本文研究学习分类器的公平性约束问题并提出了三种解决方案,分别是将两个现有的公平性度量关联到成本敏感风险,显示了对于成本敏感分类和公平性度量的最优分类器是类概率函数的实例相关阈值,并展示了准确性和公平性之间的权衡是通过目标和敏感特征的类概率之 - 成本敏感分类的主动学习
我们针对多分类成本敏感分类问题设计了主动学习算法:通过回归每个标签的成本并预测最小值来进行预测,它只查询可能最好的标签,忽略不可能的失败者,我们证明了 COAL 可以高效地实现任何支持平方损失优化的回归函数家族;它还享有与预测性能和标签工作 - NIPS优化拟线性性能度量的理论:以 F - 度量为例
研究了一些非线性性能度量的理论属性,包括 F - 度量,Jaccard 指数等,将这些性能度量优化问题归约为具有未知成本的成本敏感分类问题,并提出了一种具有可证明保证的算法来获得近似最优分类器以解决 F - 度量优化问题。
- 上下文臂针对高效优化学习
本文介绍了一种在线学习算法,它使用了一种基于代价敏感分类器的方法,并实现了最优遗憾率,与之前的算法相比,具有指数级别的运行速度优势,并且在反馈延迟方面实现了加性遗憾而非乘性遗憾。
- 成本敏感分类:混合遗传决策树归纳算法的实证评估
介绍了 ICET 算法,利用遗传算法演化出一种适合决策树归纳算法使用的一种偏倚,通过实验发现 ICET 算法在五个医疗数据集上的表现明显优于 EG2、CS-ID3、IDX 和 C4.5 四种算法,并且对 ICET 的优化也得到了探索。