一种用于有序分类的简单平方误差重构
机器学习
2017-01-10 v2 机器学习
摘要
在本文中，我们通过简单修改平方误差损失来探索有序分类（在深度神经网络的背景下），该修改不仅使其对类别顺序敏感，而且允许在各类别上形成离散概率分布的可能性。我们的公式基于使用softmax隐藏层，这在文献中受到的关注相对较少。我们在Kaggle糖尿病视网膜病变数据集（一个有序的高分辨率数据集）上对其性能进行了实证评估，结果表明它优于所采用的所有基线方法。
引用
@article{arxiv.1612.00775,
title = {A simple squared-error reformulation for ordinal classification},
author = {Christopher Beckham and Christopher Pal},
journal= {arXiv preprint arXiv:1612.00775},
year = {2017}
}
备注
v1: Camera-ready abstract for NIPS for Health Workshop (2016) v2: Clean-up of some sections, added appendix section where we briefly explore optimisation of quadratic weighted kappa (QWK)