关键词misclassification costs
搜索结果 - 5
- VOROS:将 ROC 曲线提升到 3D
用 ROC 曲线下面积作为评估方法在不平衡的情况下容易忽略分类器性能的差异,本研究提出一种基于成本的三维 ROC 曲线来更好地评估不同分类器的性能差异。通过引入 VOROS 作为 ROC 曲线的三维泛化,可以更准确地捕捉到分类器的成本差异。
- 多成本场景下支持向量机
我们提出了一种新颖的支持向量机模型,通过在问题表达中引入性能约束来考虑误分类成本。具体而言,我们的目标是寻求具有最大间隔的超平面,使得误分类率低于给定的阈值。通过解决一个具有线性约束和整数变量的二次凸问题来获得最大间隔超平面。我们的实验结果 - AdaCC: 累积代价敏感增强学习用于不平衡分类
本文提出了一种新的成本敏感的提升方法 AdaCC,该方法不依赖于固定的错误分类成本矩阵,而是根据模型性能动态调整误分类成本,优于 12 种现有方法,在 27 个真实世界数据集上实现了稳定的改进。
- 提升树用于反垃圾邮件过滤
本文介绍了一组用于自动过滤垃圾邮件的比较实验,研究了一些 AdaBoost 算法变形,得出增加基础学习者复杂性有助于获得更好的高精度分类器,而基于增强式学习的方法可以明显优于贝叶斯朴素分类和决策树归纳等基准学习算法。
- 不精确环境下的强韧分类
提出了一种基于 ROCCH 方法的混合分类器,可以有效地处理实际环境中的分类器性能不确定性和最优条件缺乏问题,以达到在各种场景下至少与最优分类器相当的表现水平。