基于密度的几何单类分类器与遗传算法集成
神经与进化计算
2021-02-26 v2 机器学习
摘要
近期机器学习研究中日益凸显的问题之一是单类分类（One-Class Classification, OCC），其考虑仅由单一类别和离群点组成的数据集。在处理某些问题数据集或特殊情形时，它比传统的多类分类更为合理。通常，OCC 方法中分类准确率与对用户的可解释性被视为一种权衡。基于超矩形（Hyper-Rectangle, H-RTGL）的分类器是一类可缓解此种权衡的分类器，它使用由称为区间的几何规则合取所表述的 H-RTGL。该区间可作为可解释性的基础，因为用户易于理解。然而，现有基于 H-RTGL 的 OCC 分类器存在如下局限：（i）多数无法反映目标类的密度；（ii）即便考虑密度，其区间生成方法也较原始；（iii）缺乏用于基于 H-RTGL 的 OCC 分类器超参数的系统化流程，而该超参数影响分类器性能。基于上述考量，我们提出基于密度的单类超矩形描述符（1-HRD_d），其包含参数与非参数方法的更精细区间生成方式。此外，我们设计了由染色体结构与遗传算子组成的遗传算法（Genetic Algorithm, GA），通过超参数优化来系统化生成 1-HRD_d。我们使用真实数据集开展数值实验，并与现有 OCC 算法及其他基于 H-RTGL 的分类器比较，验证了本工作。
引用
@article{arxiv.2011.06388,
title = {An ensemble of Density based Geometric One-Class Classifier and Genetic Algorithm},
author = {Do Gyun Kim and Jin Young Choi},
journal= {arXiv preprint arXiv:2011.06388},
year = {2021}
}
备注
This manuscript contains a wrong definitions and equations