論文の概要: Class maps for visualizing classification results

• arxiv url: http://arxiv.org/abs/2007.14495v3
• Date: Wed, 19 May 2021 13:51:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-06 02:02:15.889065
• Title: Class maps for visualizing classification results
• Title（参考訳）: 分類結果の可視化のためのクラスマップ
• Authors: Jakob Raymaekers, Peter J. Rousseeuw, Mia Hubert
• Abstract要約: 分類法は、まず与えられたクラス(ラベル)でオブジェクトのトレーニングセットを処理する。 トレーニングデータやテストデータ上で得られた予測方法を実行すると、オブジェクトが与えられたラベルとは異なるクラスに横になっていると予測されることがある。 提案されたクラスマップは、オブジェクトが代替クラスに属する確率、それが与えられたクラスの他のオブジェクトからどれくらい離れているか、そしてあるオブジェクトがすべてのクラスから遠く離れているかどうかを反映している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Classification is a major tool of statistics and machine learning. A classification method first processes a training set of objects with given classes (labels), with the goal of afterward assigning new objects to one of these classes. When running the resulting prediction method on the training data or on test data, it can happen that an object is predicted to lie in a class that differs from its given label. This is sometimes called label bias, and raises the question whether the object was mislabeled. The proposed class map reflects the probability that an object belongs to an alternative class, how far it is from the other objects in its given class, and whether some objects lie far from all classes. The goal is to visualize aspects of the classification results to obtain insight in the data. The display is constructed for discriminant analysis, the k-nearest neighbor classifier, support vector machines, logistic regression, and coupling pairwise classifications. It is illustrated on several benchmark datasets, including some about images and texts.
• Abstract（参考訳）: 分類は統計と機械学習の主要なツールである。 分類メソッドはまず、与えられたクラス(ラベル)を持つオブジェクトのトレーニングセットを処理し、その後、これらのクラスに新しいオブジェクトを割り当てる。 トレーニングデータまたはテストデータ上で結果の予測方法を実行すると、与えられたラベルとは異なるクラスにオブジェクトが配置されていると予測される可能性がある。 これはしばしばラベルバイアスと呼ばれ、オブジェクトがラベル付けされたかどうかという疑問を提起する。 提案されたクラスマップは、あるオブジェクトが別のクラスに属する確率、与えられたクラス内の他のオブジェクトからの距離、そしてあるオブジェクトがすべてのクラスから遠く離れているかどうかを反映している。 目標は、分類結果の側面を視覚化して、データの洞察を得ることです。 ディスプレイは、識別分析、k-アレスト近傍分類器、支持ベクトルマシン、ロジスティック回帰、結合対分類のために構成される。 画像やテキストを含むいくつかのベンチマークデータセットで示されている。

関連論文リスト

• Lidar Panoptic Segmentation in an Open World [50.094491113541046]
  ライダーパノプティクス(LPS)は自動運転車の安全な配備に不可欠である。 LPSは、セマンティッククラスの事前に定義された語彙であるライダーポイントを認識し、セグメント化することを目的としている。 階層的な方法で入力クラウドのクラスタリングとオーバーセグメンテーションを提案し,次にバイナリポイントセグメント分類を行う。
  論文  参考訳（メタデータ） (2024-09-22T00:10:20Z)
• Improving the performance of object detection by preserving label distribution [1.786745679681672]
  本稿では,画像中のクラスを均等に分散してトレーニングと検証を行う手法を提案する。 提案手法は,マルチラベル階層化による一様クラス分布の維持を目的とする。 提案手法は,かなり不均衡なクラス分布を持つデータセットに対して有効に利用できることが示唆された。
  論文  参考訳（メタデータ） (2023-08-28T10:04:06Z)
• Why is the prediction wrong? Towards underfitting case explanation via meta-classification [0.0]
  我々は欠陥データを手作り中間表現(メタ表現、プロファイルベクトル)に投影する。 本稿では,メタ分類器(決定木)を適合させ,その出力を解釈可能な(人間の可読性)説明規則の集合として表現する手法を提案する。 いくつかの実データを用いた実験の結果,80%以上の診断精度が得られた。
  論文  参考訳（メタデータ） (2023-02-20T12:40:54Z)
• Silhouettes and quasi residual plots for neural nets and tree-based classifiers [0.0]
  ここでは、トレーニングデータとテストデータの両方において、分類されたケースを視覚化する、別の目標を追求します。 重要な側面は、あるケースが与えられたクラス(ラベル)に分類されたかどうか、または、分類器がそれを別のクラスに割り当てたいかどうかである。 グラフィカルディスプレイは、画像、混合機能、ツイートを含むベンチマークデータセットで図示され、解釈される。
  論文  参考訳（メタデータ） (2021-06-16T14:26:31Z)
• Learning and Evaluating Representations for Deep One-class Classification [59.095144932794646]
  ディープワンクラス分類のための2段階フレームワークを提案する。 まず,一級データから自己教師付き表現を学習し,学習した表現に基づいて一級分類器を構築する。 実験では、視覚領域の1クラス分類ベンチマークで最先端の性能を示す。
  論文  参考訳（メタデータ） (2020-11-04T23:33:41Z)
• Predicting Classification Accuracy When Adding New Unobserved Classes [8.325327265120283]
  そこで本研究では,より大規模で未観測のクラスに対して,期待する精度を推定するために,分類器の性能をどのように利用することができるかを検討する。 ニューラルネットワークに基づく頑健なアルゴリズム "CleaneX" を定式化し,任意のサイズのクラスに対して,そのような分類器の精度を推定する。
  論文  参考訳（メタデータ） (2020-10-28T14:37:25Z)
• Attribute Propagation Network for Graph Zero-shot Learning [57.68486382473194]
  属性伝達ネットワーク (APNet) を導入し, 1) クラス毎に属性ベクトルを生成するグラフ伝搬モデルと, 2) パラメータ化隣人 (NN) 分類器から構成する。 APNetは、2つのゼロショット学習設定と5つのベンチマークデータセットによる実験で、魅力的なパフォーマンスまたは新しい最先端の結果を達成する。
  論文  参考訳（メタデータ） (2020-09-24T16:53:40Z)
• Meta Learning for Few-Shot One-class Classification [0.0]
  メタ学習問題として,一級分類における意味のある特徴の学習を定式化する。 これらの表現を学習するには、類似したタスクからのマルチクラスデータのみが必要である。 数ショットの分類データセットを、数ショットの1クラスの分類シナリオに適応させることで、我々のアプローチを検証する。
  論文  参考訳（メタデータ） (2020-09-11T11:35:28Z)
• A Few-Shot Sequential Approach for Object Counting [63.82757025821265]
  画像中のオブジェクトに逐次出席するクラスアテンション機構を導入し,それらの特徴を抽出する。 提案手法は点レベルのアノテーションに基づいて訓練され,モデルのクラス依存的・クラス依存的側面を乱す新しい損失関数を用いる。 本稿では,FSODやMS COCOなど,さまざまなオブジェクトカウント/検出データセットについて報告する。
  論文  参考訳（メタデータ） (2020-07-03T18:23:39Z)
• Multi-Class Classification from Noisy-Similarity-Labeled Data [98.13491369929798]
  雑音に類似したラベル付きデータのみから学習する方法を提案する。 ノイズ遷移行列を用いて、クリーンデータとノイズデータの間にクラス後確率をブリッジする。 雑音のないクラスラベルをインスタンスに割り当てる新しい学習システムを構築した。
  論文  参考訳（メタデータ） (2020-02-16T05:10:21Z)
• Automatically Discovering and Learning New Visual Categories with Ranking Statistics [145.89790963544314]
  我々は,他のクラスをラベル付けした画像コレクションにおいて,新しいクラスを発見する問題に対処する。 汎用クラスタリングモデルを学び、後者を用いて、非競合データ中の新しいクラスを識別する。 我々は,標準分類ベンチマークに対するアプローチと,新しいカテゴリー発見法の性能を,有意なマージンで評価した。
  論文  参考訳（メタデータ） (2020-02-13T18:53:32Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。