优化 F-measure：两种方法的较量
机器学习
2012-06-22 v1
摘要
F-measure 是流行的性能指标，特别适用于数据集不平衡的任务。学习最大化 F-measure 的算法遵循两种方法：经验效用最大化（EUM）方法学习在训练数据上具有最优性能的分类器，而决策理论方法学习概率模型，然后预测具有最大期望 F-measure 的标签。在本文中，我们研究了这两种方法的理论依据和联系，并利用合成和真实数据集研究了其中一种方法优于另一种方法的条件。给定准确的模型，我们的结果表明，在大型训练集和测试集下，这两种方法是渐近等价的。然而，在经验上，EUM 方法似乎对模型设定错误更具鲁棒性，而在给定良好模型的情况下，决策理论方法似乎更擅长处理稀有类别和常见的域适应场景。
引用
@article{arxiv.1206.4625,
title = {Optimizing F-measure: A Tale of Two Approaches},
author = {Ye Nan and Kian Ming Chai and Wee Sun Lee and Hai Leong Chieu},
journal= {arXiv preprint arXiv:1206.4625},
year = {2012}
}
备注
ICML2012