带可信度的分类：一种基于序贯椭球划分的监督方法
机器学习
2023-02-22 v1
摘要
分类器的标准性能指标，如准确率与灵敏度，不能揭示对数据预测标签的信任或置信度。虽然其他指标（如标签的计算概率或距超平面的有符号距离）可作为信任度量，但这些依赖于启发式阈值。本文提出一种基于凸优化的监督分类器，其将数据集序贯划分为若干椭球，每个椭球包含几乎同标签的所有点。基于此划分制定分类规则后，应用贝叶斯公式对由这些规则确定的测试数据点所赋标签计算信任分数。所提出的序贯椭球划分分类器（SEP-C）无需单独探索性数据分析即可揭示数据集不规则性（如重叠程度）。该分类规则无超参数，且不受类不平衡、底层数据分布或特征数量影响。当数据集非线性可分时，SEP-C 无需使用非线性核。SEP-C 的性能及与其他方法的比较在 XOR 问题、圆形数据集与其他开源数据集上得到验证。
引用
@article{arxiv.2302.10487,
title = {Classification with Trust: A Supervised Approach based on Sequential Ellipsoidal Partitioning},
author = {Ranjani Niranjan and Sachit Rao},
journal= {arXiv preprint arXiv:2302.10487},
year = {2023}
}