迈向非平衡分类问题的竞争性分类器：性能分数研究
机器学习
2016-09-04 v1 机器学习
摘要
尽管在提出类别不平衡问题的竞争性解决方案方面投入了大量的方法论努力，但在追求对这一问题的理论理解方面却投入甚少。为了阐明这一主题，我们通过一个新颖的框架，对最常用的性能分数在评估这一复杂场景时的充分性进行了详尽分析。我们得出结论，使用指数 的未加权 Hölder 均值来平均所有类别的召回率，能够产生足以判断分类器是否具有竞争性的适当分数。随后，我们回顾了类别不平衡文献中提出的主要解决方案。由于任何学习任务都可以定义为一个优化问题，其中通常与特定分数相关的损失函数被最小化，我们的目标在此是探究文献中的学习任务是否也旨在最大化先前检测到的适当分数。我们得出结论，它们通常最大化 时的未加权 Hölder 均值（算术均值）。最后，我们给出了所研究性能分数的取值范围界限，这些界限保证分类器在每个类别中的召回率都高于随机分类器。
引用
@article{arxiv.1608.08984,
title = {Towards Competitive Classifiers for Unbalanced Classification Problems: A Study on the Performance Scores},
author = {Jonathan Ortigosa-Hernández and Iñaki Inza and Jose A. Lozano},
journal= {arXiv preprint arXiv:1608.08984},
year = {2016}
}