线性分类器的贝叶斯受试者工作特征度量
机器学习
2019-08-26 v1 机器学习
摘要
我们提出一种新颖的分类器精度度量：贝叶斯受试者工作特征曲线下面积（CBAUC）。该方法估计ROC曲线下面积，并与近期提出的贝叶斯误差估计量相关。该度量仅使用训练数据集即可评估分类器质量，无需计算昂贵的交叉验证。我们在高斯假设下推导了任意线性二分类器所提精度度量的闭式解，并利用模拟和真实数据研究了该估计量的准确性。这些实验证实，闭式CBAUC比传统AUC估计量更快且更准确。
引用
@article{arxiv.1908.08771,
title = {Bayesian Receiver Operating Characteristic Metric for Linear Classifiers},
author = {Syeda Sakira Hassan and Heikki Huttunen and Jari Niemi and Jussi Tohka},
journal= {arXiv preprint arXiv:1908.08771},
year = {2019}
}
备注
Accepted in Pattern Recognition Letters