一种用于二分类中贝叶斯误差确定的模型无关算法
机器学习
2021-07-27 v1 人工智能
机器学习
摘要
本文提出内禀极限确定算法（ILD Algorithm），一种用于确定在特定数据集上、针对具有分类特征的二分类问题、无论使用何种模型所能获得的最佳可能性能（以 AUC（ROC 曲线下面积）和准确率衡量）的新技术。该极限即贝叶斯误差，完全独立于任何所用模型，并描述数据集的一种内禀属性。因此，ILD 算法提供了关于任何二分类算法在应用于所考虑数据集时的预测极限的重要信息。本文详细描述了该算法，给出了其完整数学框架并提供了伪代码以方便实现。最后，给出了一个使用真实数据集的示例。
引用
@article{arxiv.2107.11609,
title = {A Model-Agnostic Algorithm for Bayes Error Determination in Binary Classification},
author = {Umberto Michelucci and Michela Sperti and Dario Piga and Francesca Venturini and Marco A. Deriu},
journal= {arXiv preprint arXiv:2107.11609},
year = {2021}
}
备注
21 pages