几何空间中用于评估模式识别与嵌入算法的组可分性度量
机器学习
2020-01-01 v1 人工智能
机器学习
摘要
评估几何空间中的数据分离是模式识别的基础。已开发大量降维（DR）算法以在低维可见表示空间中揭示几何模式的涌现，其中高维样本相似性由几何距离近似。然而，直接在低维几何空间中评估这些DR算法所达成的样本组可分性的统计度量尚属缺失。无疑，这些可分性度量既可用于比较算法性能，也可用于调谐算法参数。在此，我们提出三种统计度量（命名为PSI-ROC、PSI-PR与PSI-P），其源于本研究所引入的投影可分性（PS）原理，该原理专为评估几何空间中数据样本的组可分性而设计。传统的簇有效性指标（CVIs）可用于此背景，但存在局限，因其并非专门针对DR定制。我们使用五个非线性数据集与六种不同DR算法，将我们的PS度量与六种基线簇有效性指标比较。结果提供明确证据：基于PS原理的统计量度比CVIs更准确，并可用于控制依赖参数的DR算法的调谐。
引用
@article{arxiv.1912.12418,
title = {Measuring group-separability in geometrical space for evaluation of pattern recognition and embedding algorithms},
author = {A. Acevedo and S. Ciucci and MJ. Kuo and C. Duran and CV. Cannistraci},
journal= {arXiv preprint arXiv:1912.12418},
year = {2020}
}