面向多类恶性度预测的合成采样
机器学习
2018-07-10 v1 计算机视觉与模式识别
机器学习
摘要
我们探讨了针对不平衡多标签分类问题的若干过采样技术，这一设定在开发计算机辅助诊断（CADx）系统模型时经常遇到。尽管大多数CADx系统旨在优化分类器整体准确率而不考虑各类的相对分布，我们研究了使用合成采样在预测恶性程度时提升每类性能。利用低级图像特征和随机森林分类器，我们表明使用合成过采样技术使少数类的灵敏度平均提升7.22个百分点，其中某一特定少数类的灵敏度提升高达19.88个百分点。此外，对合成结节的低级图像特征分布分析表明，这些结节可为了解如何预处理图像数据以获得更好分类性能，或在可行时如何通过补充原始数据集提供见解。
引用
@article{arxiv.1807.02608,
title = {Synthetic Sampling for Multi-Class Malignancy Prediction},
author = {Matthew Yung and Eli T. Brown and Alexander Rasin and Jacob D. Furst and Daniela S. Raicu},
journal= {arXiv preprint arXiv:1807.02608},
year = {2018}
}
备注
5 pages, 3 figures, 4 Tables, KDD MLMH'18 Workshop