通过损失正则化和广义 Beta 分布提高极端类别分类
机器学习
2024-07-18 v1 人工智能
摘要
序数分类问题是指目标变量取值于序数尺度上的问题。目前许多与实际任务相关联的序数分类问题都关心准确地对序数结构中的极端类别进行分类。在本工作中，我们提出一种单峰正则化方法，可应用于任何损失函数，以提高前后两个类别的分类性能，同时保持其余类别的良好性能。对该提议方法的测试在具有不同类别数的六个数据集上进行，并与文献中其他单峰正则化方法进行比较。此外，还使用一种新指标比较极端类别的性能，该指标考虑了这些类别的灵敏度。实验结果和统计分析显示，提议的方法在考虑不同指标的情况下获得了优越的平均性能。对于提议的指标，广义 Beta 分布通常会提高极端类别的分类性能。与此同时，其他五个名义和序数指标显示，整体性能与之前替代方案的性能相符。
关键词
引用
@article{arxiv.2407.12417,
title = {Improving the classification of extreme classes by means of loss regularisation and generalised beta distributions},
author = {Víctor Manuel Vargas and Pedro Antonio Gutiérrez and Javier Barbero-Gómez and César Hervás-Martínez},
journal= {arXiv preprint arXiv:2407.12417},
year = {2024}
}