基于朴素贝叶斯分类器的数据驱动方法是否仍优于随机选择
机器学习
2017-02-15 v1 机器学习
摘要
我们研究了在多标签分类中使用高斯朴素贝叶斯分类器时，用于标签空间划分的数据驱动、先验和随机方法的性能。实验在12个基准数据集上进行，并采用5种已确立的分类质量度量进行评估：微平均和宏平均F1分数、子集准确率和汉明损失。数据驱动方法显著优于随机基线的平均运行。在F1分数和子集准确率方面——在最坏情况下，数据驱动方法比随机方法更可能表现更好而非更差。总是存在一种方法在最坏情况下优于先验方法。数据驱动方法相对于使用弱分类器的先验方法的优势，小于使用树分类器时的优势。
引用
@article{arxiv.1702.04013,
title = {Is a Data-Driven Approach still Better than Random Choice with Naive Bayes classifiers?},
author = {Piotr Szymański and Tomasz Kajdanowicz},
journal= {arXiv preprint arXiv:1702.04013},
year = {2017}
}