利用理论 ROC 曲线分析机器学习二分类器

Luma Omar; Ioannis Ivrissimtzis

利用理论 ROC 曲线分析机器学习二分类器

机器学习 2019-09-24 v1 计算机视觉与模式识别机器学习

作者: Luma Omar , Ioannis Ivrissimtzis

摘要

大多数二分类器通过对输入进行处理产生标量响应，并将其与阈值进行比较。各种分类器性能度量都显式或隐式地假设响应属于两类的概率分布 $P_s$ 和 $P_n$ 、每类误分类代价的概率分布，并从期望代价计算性能分数。在机器学习中，分类器响应通过实验获得，性能分数直接由其计算，而不对 $P_s$ 和 $P_n$ 作任何假设。此处我们认为，省略的估计 $P_s$ 和 $P_n$ 理论分布这一步可能是有用的。在一个生物特征安全示例中，我们对两个分类器（一个基于逻辑回归，一个基于 ANNs）的响应拟合 beta 分布，并用它们将响应按 ROC 曲线末端的不同的极值行为划分为少量类别。

关键词

二分类器 ROC 曲线理论分布 beta 分布逻辑回归人工神经网络生物特征安全

引用

@article{arxiv.1909.09816,
  title  = {Using theoretical ROC curves for analysing machine learning binary classifiers},
  author = {Luma Omar and Ioannis Ivrissimtzis},
  journal= {arXiv preprint arXiv:1909.09816},
  year   = {2019}
}

备注

10 pages, 4 figures

利用理论 ROC 曲线分析机器学习二分类器

摘要

关键词

引用

备注

相关论文