关于标签噪声下决策树学习的鲁棒性
机器学习
2016-08-29 v2
摘要
在大多数分类器学习的实际问题中，训练数据存在标签噪声。因此，理解学习算法对此类标签噪声的鲁棒性十分重要。本文给出若干理论分析，表明许多流行的决策树算法在大样本量下对对称标签噪声是鲁棒的。我们还给出了一些样本复杂度结果，为鲁棒性以高概率成立所需的样本量提供了界限。通过大量仿真我们阐释了这一鲁棒性。
引用
@article{arxiv.1605.06296,
title = {On the Robustness of Decision Tree Learning under Label Noise},
author = {Aritra Ghosh and Naresh Manwani and P. S. Sastry},
journal= {arXiv preprint arXiv:1605.06296},
year = {2016}
}