基于凸包的多目标遗传规划最大化 ROC 性能
神经与进化计算
2013-03-18 v2
摘要
ROC 通常用于分析数据挖掘中分类器的性能。ROC 凸包（ROCCH）是经验 ROC 曲线的最小凸上确界（LCM），覆盖了给定分类器集合的潜在最优解。通常，ROC 性能最大化可被视为最大化 ROCCH，这也意味着在 ROC 空间中最大化每个分类器的真阳性率（tpr）并最小化假阳性率（fpr）。然而，在 ROCCH 优化过程中，tpr 和 fpr 相互冲突。尽管 ROCCH 最大化问题看似一个多目标优化问题（MOP），但其特殊性质使其不同于传统 MOP。本文将讨论它们之间的差异，并提出基于凸包的多目标遗传规划（CH-MOGP）来解决 ROCCH 最大化问题。基于凸包的排序是一种基于指标的选择方案，旨在最大化凸包面积，该面积作为衡量点集性能的一元指标。文中描述了一种可高效实现的选择过程，其遵循与经典基于超体积的优化算法相似的设计原则。我们假设，通过使用量身定制的基于指标的选择方案，CH-MOGP 在 ROC 凸包近似方面比计算所有 Pareto 最优点的算法更高效。为检验该假设，我们将新的 CH-MOGP 与采用经典选择方案的 MOGP 进行了比较，包括 NSGA-II、MOEA/D 和 SMS-EMOA。同时，CH-MOGP 还与 C4.5、Naive Bayes 和 Prie 等传统机器学习算法进行了比较。基于 22 个知名 UCI 数据集的实验结果表明，CH-MOGP 显著优于传统 EMOA。
引用
@article{arxiv.1303.3145,
title = {Convex Hull-Based Multi-objective Genetic Programming for Maximizing ROC Performance},
author = {Pu Wang and Michael Emmerich and Rui Li and Ke Tang and Thomas Baeck and Xin Yao},
journal= {arXiv preprint arXiv:1303.3145},
year = {2013}
}