面向不可分解性能度量的极小极大概率机
机器学习
2021-03-16 v2 机器学习
摘要
不平衡分类任务广泛存在于许多现实应用中。对于此类分类任务，与准确率相比，通常使用不可分解性能度量（如受试者工作特征曲线下面积（AUC）和度量）作为分类准则更为合适，因为标签类别是不平衡的。另一方面，极小极大概率机是一种用于二分类问题的流行方法，旨在通过最大化准确率来学习线性分类器，这使其不适合处理不平衡分类任务。本文旨在为度量开发一种新的极小极大概率机，称为MPMF，可用于处理不平衡分类任务。文中还简要讨论了如何将MPMF模型扩展到本文所列的几种其他不可分解性能度量。为有效求解MPMF模型，我们推导了其等价形式，随后可通过交替下降方法求解以学习线性分类器。进一步，采用核技巧推导非线性MPMF模型以学习非线性分类器。在真实世界基准数据集上的若干实验证明了我们新模型的有效性。
引用
@article{arxiv.2103.00396,
title = {A Minimax Probability Machine for Non-Decomposable Performance Measures},
author = {Junru Luo and Hong Qiao and Bo Zhang},
journal= {arXiv preprint arXiv:2103.00396},
year = {2021}
}