正未标记分类器预测性能评估：简要批判性综述与改进实践建议
机器学习
2022-06-07 v1 机器学习
摘要
正未标记（PU）学习是机器学习中一个日益增长的方向，旨在从由已标记正类与未标记实例组成的数据中学习分类器。尽管已提出大量 PU 学习方法，关于这些方法评估的论述却很少。由于完全标记数据的缺失，许多流行的标准分类指标无法精确计算，因此必须采取替代方案。这篇简短的评论文章批判性审视了 51 篇提出 PU 分类器的文章中的主要 PU 学习评估方法与预测准确率度量选择，并给出了该领域改进的实用建议。
引用
@article{arxiv.2206.02423,
title = {Evaluating the Predictive Performance of Positive-Unlabelled Classifiers: a brief critical review and practical recommendations for improvement},
author = {Jack D. Saunders and Alex and A. Freitas},
journal= {arXiv preprint arXiv:2206.02423},
year = {2022}
}