风险无关SVM分类器的完整分位数路径
机器学习
2012-05-14 v1
摘要
分位数二分类器使用如下规则：对于固定的分位数参数t∈[0,1]，如果P(Y=1|X=x)≥t，则将x分类为+1，否则分类为-1。已有研究表明，支持向量机（SVM）在极限情况下是t=1/2的分位数分类器。本文证明，通过使用非对称误分类代价，可以适当扩展SVM，使其在极限情况下恢复任意t的分位数二分类器。然后，我们提出了一种有原则的算法，同时求解所有t值的扩展SVM分类器。这有两方面意义：第一，可以恢复整个条件分布P(Y=1|X=x)=t，其中t∈[0,1]。第二，我们可以构建一个风险无关的SVM分类器，其中误分类代价无需事先知道。初步数值实验表明了所提算法的有效性。
引用
@article{arxiv.1205.2602,
title = {The Entire Quantile Path of a Risk-Agnostic SVM Classifier},
author = {Jin Yu and S. V. N. Vishwanatan and Jian Zhang},
journal= {arXiv preprint arXiv:1205.2602},
year = {2012}
}
备注
Appears in Proceedings of the Twenty-Fifth Conference on Uncertainty in Artificial Intelligence (UAI2009)