坏误差与好误差：深度集成学习中的价值加权技能分数
机器学习
2021-03-05 v1 人工智能
神经与进化计算
摘要
本文提出一种实现预报检验的新方法。具体而言，我们基于如下证据引入一种评估预报误差严重程度的策略：一方面，仅提前预示事件发生的一次误报优于在连续非事件发生中间的误报；另一方面，对孤立事件的漏报比对数个连续发生事件中单个事件的漏报影响更糟。基于该思想，我们引入一种新颖的混淆矩阵与技能分数定义，更重视预测的价值而非其质量。随后，我们引入一种用于二分类的深度集成学习过程，其中神经网络的概率输出通过优化这些价值加权技能分数进行聚类。最后，我们在污染、空间天气与股票价格预测三个应用案例中展示了该方法的性能。
引用
@article{arxiv.2103.02881,
title = {Bad and good errors: value-weighted skill scores in deep ensemble learning},
author = {Sabrina Guastavino and Michele Piana and Federico Benvenuto},
journal= {arXiv preprint arXiv:2103.02881},
year = {2021}
}