基于过滤的分类体系修改以改进层次分类
人工智能
2016-10-18 v3
摘要
层次分类（HC）是一个监督学习问题，其中未标记实例被分类到一个类的分类体系中。已有若干利用层次结构的方法来改进HC性能。然而在大多数情况下，领域专家先验定义的层次结构是不一致的；因此相较于扁平分类方法，性能提升并不明显。我们提出一种可扩展的、数据驱动的、基于过滤的重连线方法来修改专家定义的层次结构。在广泛的数据集上，使用我们修改后的层次结构进行自顶向下HC的实验比较显示，分类性能优于基线层次结构（即由专家定义的）、聚类层次结构和基于扁平化的层次结构修改方法。与现有重连线方法相比，我们开发的方法（rewHier）计算高效，使其能够扩展到具有大量类、实例和特征的数据集。我们还表明，与扁平和最先进HC方法相比，我们的修改层次结构对训练样本较少的类带来了改进的分类性能。
引用
@article{arxiv.1603.00772,
title = {Filter based Taxonomy Modification for Improving Hierarchical Classification},
author = {Azad Naik and Huzefa Rangwala},
journal= {arXiv preprint arXiv:1603.00772},
year = {2016}
}
备注
The conference version of the paper is submitted for publication