具有标记输出的计算机模型分类
统计方法学
2020-02-04 v1
摘要
分类是一种重要工具,对建模许多复杂数值模型至关重要。一个模型或系统可能如此:在输入空间的某些区域,输出要么不存在,要么不以可量化形式出现。此处,我们提出一种新分类方法,其中模型输出被赋予不同的分类标记,我们使用潜高斯过程(GP)对其建模。该潜变量通过 MCMC 采样、独特似然与特定先验设定进行估计。随后我们通过计算输入空间上的误分类率来验证我们的分类器。与包括逻辑回归在内的其他现有分类方法进行比较,逻辑回归建模的是被分类至两个区域之一的概率。为做分类预测,我们从独立的伯努利分布抽取,这意味着独立抽取丧失了距离相关性,从而可能导致许多误分类。通过使用潜 GP 对标记建模,该问题在我们的方法中不会出现。我们将这一新方法应用于一系列示例,包括一个动机示例:对哺乳动物生殖系统中相关激素建模,其中两个标记输出为高与低繁殖率。
引用
@article{arxiv.2002.00010,
title = {Classification of Computer Models with Labelled Outputs},
author = {Louise Kimpton and Peter Challenor and Daniel Williamson},
journal= {arXiv preprint arXiv:2002.00010},
year = {2020}
}
备注
arXiv admin note: substantial text overlap with arXiv:1901.07413