关于大规模多类任务中嵌套二分类树的校准
机器学习
2018-10-04 v3 机器学习
摘要
嵌套二分类树（nested dichotomies）被用作将多类分类问题转化为一系列二分类问题的方法。该方法诱导出一种树结构，递归地将类别集合划分为子集，并在每个节点上训练一个二分类模型来判别两个类别子集。在本文中，我们证明这些嵌套二分类树通常表现出较差的概率校准，即使基础二分类模型校准良好也是如此。我们还表明，当二分类模型校准较差时，该问题会加剧。我们讨论了不同校准策略的有效性，并表明通过对内部基础模型和完整嵌套二分类树结构同时进行校准，可以显著改善准确率和对数损失，尤其在类别数量较多时。
引用
@article{arxiv.1809.02744,
title = {On the Calibration of Nested Dichotomies for Large Multiclass Tasks},
author = {Tim Leathart and Eibe Frank and Bernhard Pfahringer and Geoffrey Holmes},
journal= {arXiv preprint arXiv:1809.02744},
year = {2018}
}