論文の概要: MISS: Multiclass Interpretable Scoring Systems

• arxiv url: http://arxiv.org/abs/2401.05069v1
• Date: Wed, 10 Jan 2024 10:57:12 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-11 14:53:49.258641
• Title: MISS: Multiclass Interpretable Scoring Systems
• Title（参考訳）: MISS:マルチクラス解釈スコーリングシステム
• Authors: Michal K. Grzeszczyk, Tomasz Trzci\'nski, Arkadiusz Sitek
• Abstract要約: MISS(Multiclass Interpretable Scoring Systems)構築のための機械学習手法を提案する。 MISSは、シングルクラス、スパース、ユーザフレンドリーなスコアリングシステムのための、完全なデータ駆動の方法論である。 結果から,本手法は他の機械学習モデルと性能指標の分類において競合し,高い校正率のクラス確率が得られたことが示唆された。
• 参考スコア（独自算出の注目度）: 13.902264070785986
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this work, we present a novel, machine-learning approach for constructing Multiclass Interpretable Scoring Systems (MISS) - a fully data-driven methodology for generating single, sparse, and user-friendly scoring systems for multiclass classification problems. Scoring systems are commonly utilized as decision support models in healthcare, criminal justice, and other domains where interpretability of predictions and ease of use are crucial. Prior methods for data-driven scoring, such as SLIM (Supersparse Linear Integer Model), were limited to binary classification tasks and extensions to multiclass domains were primarily accomplished via one-versus-all-type techniques. The scores produced by our method can be easily transformed into class probabilities via the softmax function. We demonstrate techniques for dimensionality reduction and heuristics that enhance the training efficiency and decrease the optimality gap, a measure that can certify the optimality of the model. Our approach has been extensively evaluated on datasets from various domains, and the results indicate that it is competitive with other machine learning models in terms of classification performance metrics and provides well-calibrated class probabilities.
• Abstract（参考訳）: 本稿では,マルチクラス分類問題に対して,単一でスパースでユーザフレンドリーなスコアリングシステムを生成するためのデータ駆動手法であるmiss(multiclass interpretable scoring systems)を構築するための,新しい機械学習手法を提案する。 スコリングシステムは、医療、刑事司法、その他の領域における意思決定支援モデルとして一般的に使われ、予測の解釈可能性と使いやすさが重要である。 以前はslim(supersparse linear integer model)のようなデータ駆動スコアリングの手法はバイナリ分類タスクに限定されており、マルチクラスドメインの拡張は主に1対1の手法で実現されていた。 本手法により得られたスコアはsoftmax関数を介して容易にクラス確率に変換することができる。 我々は,モデルの最適性を証明する尺度である,トレーニング効率を高め,最適性ギャップを減少させる次元性低減とヒューリスティックス手法を示す。 提案手法は,様々な分野のデータセット上で広く評価されており,分類性能指標の点で他の機械学習モデルと競合することを示し,十分なクラス確率を提供する。

関連論文リスト

• Ensemble Methods for Sequence Classification with Hidden Markov Models [8.241486511994202]
  隠れマルコフモデル(HMM)のためのアンサンブル手法を用いたシーケンス分類への軽量なアプローチを提案する。 HMMは、その単純さ、解釈可能性、効率性のために、不均衡または小さいデータセットを持つシナリオにおいて、大きな利点を提供する。 アンサンブルに基づくスコアリング手法により,任意の長さのシーケンスの比較が可能となり,不均衡なデータセットの性能が向上する。
  論文  参考訳（メタデータ） (2024-09-11T20:59:32Z)
• Probabilistic Multi-Dimensional Classification [5.147849907358484]
  多次元分類(MDC)は、各インスタンスごとに複数のクラス変数を予測する必要がある様々なアプリケーションに適用できる。 多くの既存のMDC手法は、少なくとも1つの不正確さ、スケーラビリティ、特定の種類のデータに対する限られた使用に悩まされている。 この論文は、これらすべての欠点を同時に解決しようとする試みである。
  論文  参考訳（メタデータ） (2023-06-10T20:07:06Z)
• Learning Optimal Fair Scoring Systems for Multi-Class Classification [0.0]
  機械学習モデルには、解釈可能性の欠如と、それらが生成または再現できる望ましくないバイアスに関する懸念が高まっている。 本稿では,混合整数線形計画法(MILP)を用いて,分散性と公正性制約下で本質的に解釈可能なスコアリングシステムを生成する。
  論文  参考訳（メタデータ） (2023-04-11T07:18:04Z)
• MACE: An Efficient Model-Agnostic Framework for Counterfactual Explanation [132.77005365032468]
  MACE(Model-Agnostic Counterfactual Explanation)の新たな枠組みを提案する。 MACE法では, 優れた反実例を見つけるための新しいRL法と, 近接性向上のための勾配のない降下法を提案する。 公開データセットの実験は、有効性、空間性、近接性を向上して検証する。
  論文  参考訳（メタデータ） (2022-05-31T04:57:06Z)
• Self-Supervised Class Incremental Learning [51.62542103481908]
  既存のクラスインクリメンタルラーニング(CIL)手法は、データラベルに敏感な教師付き分類フレームワークに基づいている。 新しいクラスデータに基づいて更新する場合、それらは破滅的な忘れがちである。 本稿では,SSCILにおける自己指導型表現学習のパフォーマンスを初めて考察する。
  論文  参考訳（メタデータ） (2021-11-18T06:58:19Z)
• Binary Classification from Multiple Unlabeled Datasets via Surrogate Set Classification [94.55805516167369]
  我々は m 個の U 集合を $mge2$ で二進分類する新しい手法を提案する。 我々のキーとなる考え方は、サロゲート集合分類(SSC)と呼ばれる補助的分類タスクを考えることである。
  論文  参考訳（メタデータ） (2021-02-01T07:36:38Z)
• Few-Shot Named Entity Recognition: A Comprehensive Study [92.40991050806544]
  マルチショット設定のモデル一般化能力を向上させるための3つの手法を検討する。 ラベル付きデータの比率の異なる10の公開nerデータセットについて経験的比較を行う。 マルチショットとトレーニングフリーの両方の設定で最新の結果を作成します。
  論文  参考訳（メタデータ） (2020-12-29T23:43:16Z)
• Theoretical Insights Into Multiclass Classification: A High-dimensional Asymptotic View [82.80085730891126]
  線形多クラス分類の最初の現代的精度解析を行う。 分析の結果,分類精度は分布に依存していることがわかった。 得られた洞察は、他の分類アルゴリズムの正確な理解の道を開くかもしれない。
  論文  参考訳（メタデータ） (2020-11-16T05:17:29Z)
• Neural Networks as Functional Classifiers [0.0]
  我々は、分類問題のために、注目すべき深層学習手法を機能データ領域に拡張する。 本手法の有効性を,分光データの分類などの多くの分類応用において強調する。
  論文  参考訳（メタデータ） (2020-10-09T00:11:01Z)
• Towards Model-Agnostic Post-Hoc Adjustment for Balancing Ranking Fairness and Algorithm Utility [54.179859639868646]
  Bipartiteランキングは、ラベル付きデータから正の個人よりも上位の個人をランク付けするスコアリング機能を学ぶことを目的としている。 学習したスコアリング機能が、異なる保護グループ間で体系的な格差を引き起こすのではないかという懸念が高まっている。 本稿では、二部構成のランキングシナリオにおいて、それらのバランスをとるためのモデル後処理フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-15T10:08:39Z)
• A novel embedded min-max approach for feature selection in nonlinear support vector machine classification [0.0]
  min-max最適化問題に基づく組込み特徴選択法を提案する。 双対性理論を活用することにより、min-max問題を等価に修正し、それ以上のアドを伴わずに解決する。 提案手法の効率性と有用性は,いくつかのベンチマークデータセットで検証される。
  論文  参考訳（メタデータ） (2020-04-21T09:40:38Z)

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。