論文の概要: Variable selection for Na\"ive Bayes classification

• arxiv url: http://arxiv.org/abs/2401.18039v1
• Date: Wed, 31 Jan 2024 18:01:36 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-01 13:42:32.239582
• Title: Variable selection for Na\"ive Bayes classification
• Title（参考訳）: na\"ive bayes分類のための変数選択
• Authors: Rafael Blanquero, Emilio Carrizosa, Pepa Ram\'irez-Cobo, M. Remedios Sillero-Denamiel
• Abstract要約: Na"ive Bayes"は多変量解析において、抽出可能かつ効率的な分類法であることが証明されている。 3つの性質を特徴とする「ナイーブベイズ」のスパース版を提案する。 提案手法は, 特徴選択法と比較すると, スパースNa"ive Bayesは競争力のある結果が得られることがわかった。
• 参考スコア（独自算出の注目度）: 2.8265531928694116
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The Na\"ive Bayes has proven to be a tractable and efficient method for classification in multivariate analysis. However, features are usually correlated, a fact that violates the Na\"ive Bayes' assumption of conditional independence, and may deteriorate the method's performance. Moreover, datasets are often characterized by a large number of features, which may complicate the interpretation of the results as well as slow down the method's execution. In this paper we propose a sparse version of the Na\"ive Bayes classifier that is characterized by three properties. First, the sparsity is achieved taking into account the correlation structure of the covariates. Second, different performance measures can be used to guide the selection of features. Third, performance constraints on groups of higher interest can be included. Our proposal leads to a smart search, which yields competitive running times, whereas the flexibility in terms of performance measure for classification is integrated. Our findings show that, when compared against well-referenced feature selection approaches, the proposed sparse Na\"ive Bayes obtains competitive results regarding accuracy, sparsity and running times for balanced datasets. In the case of datasets with unbalanced (or with different importance) classes, a better compromise between classification rates for the different classes is achieved.
• Abstract（参考訳）: na\"ive bayesは多変量解析における分類の扱いやすく効率的な方法であることが証明されている。 しかし、特徴は通常相関しており、na\"ive bayesの条件付き独立性という仮定に違反し、その方法の性能が低下する可能性がある。 さらに、データセットには多数の特徴があり、結果の解釈を複雑にし、メソッドの実行を遅くする可能性がある。 本稿では,3つの特性を特徴とするNa\"ive Bayes分類器のスパース版を提案する。 第一に、共変量の相関構造を考慮することにより、疎度が達成される。 第2に、機能の選択をガイドするために、さまざまなパフォーマンス対策が使用できます。 第三に、より高い関心を持つグループのパフォーマンス制約を含めることができる。 提案手法は, 競争力のあるランニングタイムを実現するスマートサーチに導かれるが, 分類のパフォーマンス指標の柔軟性は統合されている。 提案したスパースNa\"ive Bayesは,よく参照された特徴選択手法と比較すると,バランスの取れたデータセットの精度,空間性,実行時間に関する競合的な結果が得られる。 不均衡(または異なる重要度)のクラスを持つデータセットの場合、異なるクラスの分類率の間のより良い妥協が達成される。

関連論文リスト

• Fractional Naive Bayes (FNB): non-convex optimization for a parsimonious weighted selective naive Bayes classifier [0.0]
  非常に多数の入力変数を持つデータセットの分類を監督した。 本稿では,このモデルを用いたBalihoodの正規化を提案する。 提案したアルゴリズムは最適化に基づく重み付けNa"iveesスキームをもたらす。
  論文  参考訳（メタデータ） (2024-09-17T11:54:14Z)
• Noisy Correspondence Learning with Self-Reinforcing Errors Mitigation [63.180725016463974]
  クロスモーダル検索は、実際は精力的な、十分に整合した大規模データセットに依存している。 我々は、新しい雑音対応学習フレームワーク、textbfSelf-textbfReinforcing textbfErrors textbfMitigation(SREM)を導入する。
  論文  参考訳（メタデータ） (2023-12-27T09:03:43Z)
• Mitigating Word Bias in Zero-shot Prompt-based Classifiers [55.60306377044225]
  一致したクラス先行は、オラクルの上界性能と強く相関していることを示す。 また,NLPタスクに対するプロンプト設定において,一貫したパフォーマンス向上を示す。
  論文  参考訳（メタデータ） (2023-09-10T10:57:41Z)
• Bipartite Ranking Fairness through a Model Agnostic Ordering Adjustment [54.179859639868646]
  本稿では,二部類ランキングにおける公平性を実現するためのモデルに依存しない後処理フレームワークxOrderを提案する。 xOrderは、教師なしおよび教師なしの公正度メトリックを含む、さまざまな分類モデルとランキングフェアネスメトリクスと互換性がある。 提案アルゴリズムを,4つのベンチマークデータセットと2つの実世界の患者電子健康記録リポジトリ上で評価した。
  論文  参考訳（メタデータ） (2023-07-27T07:42:44Z)
• Optimal partition of feature using Bayesian classifier [0.0]
  ネイブベイズでは、特定の特徴は独立特徴と呼ばれ、分類を予測する際に条件付き相関や依存を持たない。 本研究では,Naive Bayes法がもたらす課題を克服する手法として,Comonotone-Independence (CIBer)を提案する。
  論文  参考訳（メタデータ） (2023-04-27T21:19:06Z)
• Robust Outlier Rejection for 3D Registration with Variational Bayes [70.98659381852787]
  我々は、ロバストアライメントのための新しい変分非局所ネットワークベース外乱除去フレームワークを開発した。 そこで本稿では, 投票に基づく不整合探索手法を提案し, 変換推定のための高品質な仮説的不整合をクラスタリングする。
  論文  参考訳（メタデータ） (2023-04-04T03:48:56Z)
• Exploring Category-correlated Feature for Few-shot Image Classification [27.13708881431794]
  本稿では,従来の知識として,新しいクラスとベースクラスのカテゴリ相関を探索し,シンプルで効果的な特徴補正手法を提案する。 提案手法は, 広く使用されている3つのベンチマークにおいて, 一定の性能向上が得られる。
  論文  参考訳（メタデータ） (2021-12-14T08:25:24Z)
• When in Doubt: Improving Classification Performance with Alternating Normalization [57.39356691967766]
  分類のための非パラメトリック後処理ステップである交互正規化(CAN)を用いた分類を導入する。 CANは、予測されたクラス確率分布を再調整することで、挑戦的な例の分類精度を向上させる。 多様な分類課題にまたがってその効果を実証的に示す。
  論文  参考訳（メタデータ） (2021-09-28T02:55:42Z)
• How Nonconformity Functions and Difficulty of Datasets Impact the Efficiency of Conformal Classifiers [0.1611401281366893]
  整合分類では、システムは1つではなく複数のクラスラベルを出力できる。 ニューラルネットワークに基づく共形分類器の場合、逆確率は予測ラベルの平均数を最小化することができる。 この2つの非整合関数の性質を結合する手法を提案する。
  論文  参考訳（メタデータ） (2021-08-12T11:50:12Z)
• Dynamic Instance-Wise Classification in Correlated Feature Spaces [15.351282873821935]
  典型的な機械学習環境では、すべてのテストインスタンスの予測は、モデルトレーニング中に発見された機能の共通サブセットに基づいている。 それぞれのテストインスタンスに対して個別に評価する最適な特徴を順次選択し、分類精度に関して更なる改善が得られないことを判断すると、選択プロセスが終了して予測を行う新しい手法を提案する。 提案手法の有効性, 一般化性, 拡張性について, 多様なアプリケーション領域の様々な実世界のデータセットで説明する。
  論文  参考訳（メタデータ） (2021-06-08T20:20:36Z)
• 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)

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。