通过非线性评分函数最大化部分AUC
机器学习
2018-06-14 v1 机器学习
摘要
我们提出一种用于二分类任务中最大化受试者工作特征(ROC)曲线下部分面积(pAUC)的方法。在二分类任务中,准确率最常被用作分类器性能的度量。在异常检测和诊断测试等某些应用中,由于先验概率往往存在严重偏差,准确率并非合适的度量。尽管在此类情况下pAUC已被用作性能度量,但鲜有方法被提出用于直接最大化pAUC。该优化通过使用评分函数实现。常规方法采用线性函数作为评分函数。相比之下,我们新引入了用于此目的的非线性评分函数。具体而言,我们提出了基于生成模型和深度神经网络的两种非线性评分函数。我们通过Subaru望远镜上Hyper Suprime-Cam获得的真实与伪对象的二分类应用,实验性地表明非线性评分函数改进了常规方法。
引用
@article{arxiv.1806.04838,
title = {Partial AUC Maximization via Nonlinear Scoring Functions},
author = {Naonori Ueda and Akinori Fujino},
journal= {arXiv preprint arXiv:1806.04838},
year = {2018}
}
备注
9pages, 2 tables