存在缺失变量时离散选择模型与人工神经网络的比较
机器学习
2018-11-07 v1 机器学习
摘要
分类，即在给定观测特征时为其分配标签（或类别）的过程，是许多应用中的常见任务。然而在大多数现实应用中，标签无法被观测特征完全解释。事实上，可能存在许多对建模者隐藏的因素。未被解释的变异随后被视为某种随机噪声，根据从业者所采用的方法不同而得到不同处理。本文关注两种简单且广泛使用的监督分类算法：离散选择模型和人工神经网络，应用于二分类场景。通过涉及连续或离散解释变量的多种数值实验，我们展示了在存在缺失变量时保留方法的性能比较。同时也研究了训练数据中两类分布的影响。这些实验的结果突出表明，人工神经网络优于离散选择模型，除非训练数据中类的分布高度不平衡。最后，本文为针对训练数据选择合适的分类器提供了一些指导。
引用
@article{arxiv.1811.02284,
title = {Comparison of Discrete Choice Models and Artificial Neural Networks in Presence of Missing Variables},
author = {Johan Barthélemy and Morgane Dumont and Timoteo Carletti},
journal= {arXiv preprint arXiv:1811.02284},
year = {2018}
}