多标签学习中逻辑斯蒂分类器链的渐近一致性与排序确定
机器学习
2016-02-25 v1 机器学习
摘要
分类器链是解决多标签分类问题的流行且有效的方法。本文旨在研究条件概率为逻辑斯蒂形式的链模型的渐近性质。特别地，我们找到了标签数量和特征向量分布的条件，在这些条件下标签联合分布的估计众数收敛于真实众数。据我们所知，这一重要问题在多标签学习背景下尚未被研究。我们还研究了链中模型构建的顺序如何影响标签联合分布的估计。我们建立了链中错误排序问题与错误模型设定之间的联系。我们提出了一种确定链中标签最优排序的过程，该过程基于使用正确设定的度量，并允许找到使连续逻辑斯蒂模型尽可能被正确设定的排序。本文提出的另一个重要问题是，当标签排序错误或链中的逻辑斯蒂模型被错误设定时，我们能多准确地估计联合后验概率。数值实验说明了理论结果。
引用
@article{arxiv.1602.07466,
title = {Asymptotic consistency and order specification for logistic classifier chains in multi-label learning},
author = {Paweł Teisseyre},
journal= {arXiv preprint arXiv:1602.07466},
year = {2016}
}