HierLPR：基于局部精确率的层次化多标签分类决策方法
机器学习
2018-10-19 v1 机器学习
摘要
在本文中，我们针对候选标签具有已知层次结构的多标签分类问题，提出一种称为 HierLPR 的新排序算法。HierLPR 的动机是我们设计的一种用于评估分类决策排序的新度量 eAUC。该度量与命中曲线和局部精确率相关联，强调前序调用的准确性。我们证明 HierLPR 在树约束以及层次节点间依赖的一些轻微假设下优化 eAUC。我们还提供一种基于 HierLPR 所得排序对各节点进行调用的策略，以控制 FDR 或最大化 F-score。我们所提方法的性能在合成数据集以及使用 NCBI GEO 数据集的疾病诊断真实示例中得到了验证。在这些案例中，HierLPR 在精确率-召回率曲线的前段相较竞争方法表现出更有利的结果。
引用
@article{arxiv.1810.07954,
title = {HierLPR: Decision making in hierarchical multi-label classification with local precision rates},
author = {Christine Ho and Yuting Ye and Ci-Ren Jiang and Wayne Tai Lee and Haiyan Huang},
journal= {arXiv preprint arXiv:1810.07954},
year = {2018}
}
备注
27 pages, 9 figures