論文の概要: Selecting a classification performance measure: matching the measure to the problem

• arxiv url: http://arxiv.org/abs/2409.12391v1
• Date: Thu, 19 Sep 2024 01:32:02 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-07 15:03:37.841140
• Title: Selecting a classification performance measure: matching the measure to the problem
• Title（参考訳）: 分類性能尺度の選択:その尺度と問題との整合性
• Authors: David J. Hand, Peter Christen, Sumayya Ziyad,
• Abstract要約: 研究や応用の目的に合致するパフォーマンスの尺度を選択することは不可欠である。 本論文は,異なるパフォーマンス尺度の相対的メリットに関する文献の増大に寄与するものである。
• 参考スコア（独自算出の注目度）: 1.634939455222784
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The problem of identifying to which of a given set of classes objects belong is ubiquitous, occurring in many research domains and application areas, including medical diagnosis, financial decision making, online commerce, and national security. But such assignments are rarely completely perfect, and classification errors occur. This means it is necessary to compare classification methods and algorithms to decide which is ``best'' for any particular problem. However, just as there are many different classification methods, so there are many different ways of measuring their performance. It is thus vital to choose a measure of performance which matches the aims of the research or application. This paper is a contribution to the growing literature on the relative merits of different performance measures. Its particular focus is the critical importance of matching the properties of the measure to the aims for which the classification is being made.
• Abstract（参考訳）: 与えられたクラスオブジェクトのどれが属しているかを特定する問題はユビキタスであり、医療診断、金融決定、オンラインコマース、国家安全保障など、多くの研究領域や応用領域で発生している。 しかし、そのような割り当ては完全に完璧であることは滅多になく、分類ミスが発生する。 これは、特定の問題に対して ``best'' がどれであるかを決定するには、分類法とアルゴリズムを比較する必要があることを意味する。 しかし、多くの異なる分類方法があるように、その性能を測定する方法は様々である。 したがって、研究や応用の目的と一致するパフォーマンスの尺度を選択することが不可欠である。 本論文は,異なるパフォーマンス尺度の相対的メリットに関する文献の増大に寄与するものである。 その特に焦点は、測定値の特性を分類される目的に合わせることの重要性である。

関連論文リスト

• Classification Matters: Improving Video Action Detection with Class-Specific Attention [61.14469113965433]
  ビデオアクション検出(VAD)は、アクターを検出し、そのアクションをビデオで分類することを目的としている。 一般的な手法が、分類のための特徴をどう形成するかを分析し、アクター領域の優先順位付けを行う。 本稿では,アクターに対する偏見を減らし,各アクションクラスに関連する文脈に注意を払うことを提案する。
  論文  参考訳（メタデータ） (2024-07-29T04:43:58Z)
• Improving the classification of extreme classes by means of loss regularisation and generalised beta distributions [8.640930010669042]
  本稿では,一級・一級の分類性能を向上させるための一級正規化手法を提案する。 極端なクラスのパフォーマンスは、その感度を考慮に入れた新しいメトリクスを使って比較される。 提案手法により, 一般化されたベータ分布は, 極端なクラスにおける分類性能を向上することが示された。
  論文  参考訳（メタデータ） (2024-07-17T08:57:42Z)
• Enhancing Efficiency and Privacy in Memory-Based Malware Classification through Feature Selection [0.174048653626208]
  マルウェアは個人、組織、重要なインフラに重大なセキュリティリスクをもたらす。 マルウェア分類システムにおける効率性の向上とプライバシー問題への対処には,特徴選択が重要な役割を果たす可能性がある。 本研究では,メモリコンテンツから重要な特徴を特定するために,3つの特徴選択手法を用いる。
  論文  参考訳（メタデータ） (2023-09-30T22:36:31Z)
• In Search of Insights, Not Magic Bullets: Towards Demystification of the Model Selection Dilemma in Heterogeneous Treatment Effect Estimation [92.51773744318119]
  本稿では,異なるモデル選択基準の長所と短所を実験的に検討する。 選択戦略,候補推定器,比較に用いるデータの間には,複雑な相互作用があることを強調した。
  論文  参考訳（メタデータ） (2023-02-06T16:55:37Z)
• Compactness Score: A Fast Filter Method for Unsupervised Feature Selection [66.84571085643928]
  本稿では,CSUFS (Compactness Score) と呼ばれる高速な教師なし特徴選択手法を提案する。 提案アルゴリズムは既存のアルゴリズムよりも正確で効率的である。
  論文  参考訳（メタデータ） (2022-01-31T13:01:37Z)
• An Efficient and Accurate Rough Set for Feature Selection, Classification and Knowledge Representation [89.5951484413208]
  本稿では, 特徴選択, 分類, 知識表現を同時に実現する, 粗集合に基づく強力なデータマイニング手法を提案する。 まず, ノイズ特性の処理において, 粗集合の非効率性について検討し, 相対的重要度と呼ばれる特性のロバストな測定法を提案する。 公開ベンチマークデータセットによる実験結果から,提案フレームワークは7つの人気や最先端の機能選択手法よりも精度が高いことがわかった。
  論文  参考訳（メタデータ） (2021-12-29T12:45:49Z)
• Information Theoretic Measures for Fairness-aware Feature Selection [27.06618125828978]
  我々は,特徴の精度と識別的影響に関する情報理論に基づく,公平性を考慮した特徴選択のためのフレームワークを開発する。 具体的には、この機能が正確性や非差別的判断にどのように影響するかを定量化する、各機能に対する公平性ユーティリティスコアを設計することを目的としています。
  論文  参考訳（メタデータ） (2021-06-01T20:11:54Z)
• Through the Data Management Lens: Experimental Analysis and Evaluation of Fair Classification [75.49600684537117]
  データ管理研究は、データとアルゴリズムの公平性に関連するトピックに対する存在感と関心が高まっている。 我々は,その正しさ,公平性,効率性,スケーラビリティ,安定性よりも,13の公正な分類アプローチと追加の変種を幅広く分析している。 我々の分析は、異なるメトリクスとハイレベルなアプローチ特性がパフォーマンスの異なる側面に与える影響に関する新しい洞察を強調します。
  論文  参考訳（メタデータ） (2021-01-18T22:55:40Z)
• 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)
• Exploiting stance hierarchies for cost-sensitive stance detection of Web documents [24.898077978955406]
  スタンス検出は、請求書に対する文書の位置(スタンス)を特定することを目的としている。 本稿では,カスケードバイナリ分類器のモジュールパイプラインを提案する。 マイノリティクラスの誤分類コストを強調するニューラルネットワークと従来の分類モデルを組み合わせることで、我々のアプローチを実装します。
  論文  参考訳（メタデータ） (2020-07-29T21:40:01Z)
• On-the-Fly Joint Feature Selection and Classification [16.84451472788859]
  本稿では,共同で特徴選択と分類を行うためのフレームワークを提案する。 我々は、関連する最適化問題の最適解を導出し、その構造を解析する。 提案アルゴリズムの性能を複数の公開データセット上で評価する。
  論文  参考訳（メタデータ） (2020-04-21T19:19:39Z)

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。