面向多类分类的类别二值化至神经进化方法
机器学习
2023-08-29 v1 神经与进化计算
摘要
多类分类是机器学习中一项基础且具有挑战性的任务。现有的多类分类技术可分为(i)分解为二分类、(ii)从二分类扩展以及(iii)层次分类。将多类分类分解为一组可由二分类器高效求解的二分类问题,称为类别二值化,是一种流行的多类分类技术。神经进化是一种演化神经网络结构与权重的通用且强大的技术,已成功应用于二分类。本文中,我们将类别二值化技术应用于神经进化算法——增强拓扑神经进化(NEAT),以生成用于多类分类的神经网络。我们提出一种新方法,应用纠错输出码(ECOC)来设计神经进化中用于多类分类的类别二值化策略。ECOC策略在三个知名数据集Digit、Satellite和Ecoli上与一对一和一对多类别二值化策略进行比较。我们从多类分类退化、准确率、演化效率和鲁棒性四个方面分析其性能。结果表明,带ECOC的NEAT以低方差实现高准确率。具体而言,它在灵活的二分类器数量和强鲁棒性方面显示出显著优势。
引用
@article{arxiv.2308.13876,
title = {Class Binarization to NeuroEvolution for Multiclass Classification},
author = {Gongjin Lan and Zhenyu Gao and Lingyao Tong and Ting Liu},
journal= {arXiv preprint arXiv:2308.13876},
year = {2023}
}
备注
14 pages, 17 figures