面向平滑分类器的预算约束逆分类框架
机器学习
2017-06-12 v3 机器学习
摘要
逆分类是操控一个实例使其更可能符合特定类别的过程。以往解决此类问题的方法存在缺陷。贪婪方法做出的改变过于激进，通常依赖于严格离散的数据。其他方法依赖于某些数据点，而这些数据点的存在无法保证。在本文中，我们提出了一个克服这些及其他限制的通用框架和方法。我们方法的公式化可以使用任何可微分类函数。我们通过逻辑回归和高斯核 SVM 演示了该方法。我们将逆分类限制在实际可改变的特征上，每个特征产生单独代价。我们进一步使此类改变受制于某一水平的累积改变（预算）内。我们的框架还能容纳对（间接可改变的）特征的估计，其特征值作为所采取动作的后果而改变。此外，我们提出了两种指定特征值范围的方法，导致了不同的算法行为。我们将我们的方法以及一种提出的基于敏感性分析的基准方法应用于两个公开数据集：来自 UCI 机器学习仓库的学生表现数据集和真实世界心血管疾病数据集。所得结果证明了我们框架和方法的有效性与益处。
引用
@article{arxiv.1605.09068,
title = {A budget-constrained inverse classification framework for smooth classifiers},
author = {Michael T. Lash and Qihang Lin and W. Nick Street and Jennifer G. Robinson},
journal= {arXiv preprint arXiv:1605.09068},
year = {2017}
}