用于分类的 Credal 模型平均：表征先验无知与专家意见
统计方法学
2014-05-15 v1 人工智能
种群与进化
机器学习
摘要
贝叶斯模型平均 (BMA) 是克服模型不确定性的最先进方法。然而，尤其是在小数据集上，BMA 产生的结果可能对模型上的先验敏感。Credal 模型平均 (CMA) 通过将模型上的单一先验替换为一组先验（credal set）来解决这一问题。这种方法解决了如何选择模型先验的问题，并自动化了敏感性分析。我们讨论了各种 CMA 算法，用于构建具有不同协变量集的逻辑回归器集成。我们展示了如何将 CMA 适当调整至先验无知的情形，以及存在领域知识的情形。CMA 能检测出依赖于先验的实例，即根据模型上的先验不同而更可能属于不同类别的实例。在这些实例上，CMA 会暂停判断，返回多个类别。我们在一个真实案例研究中彻底比较了不同的 BMA 和 CMA 变体，预测阿尔卑斯山谷中阿尔卑斯旱獭洞穴的存在。我们发现，对于被 CMA 识别为依赖于先验的实例，BMA 几乎等同于随机猜测。
引用
@article{arxiv.1405.3559,
title = {Credal Model Averaging for classification: representing prior ignorance and expert opinions},
author = {Giorgio Corani and Andrea Mignatti},
journal= {arXiv preprint arXiv:1405.3559},
year = {2014}
}
备注
15 pages 6 figures Preprint submitted to the International Journal of Approximate Reasoning