یک رویکرد دقیق برای به حداکثر رساندن سطح زیر منحنی مشخصه اپراتور گیرنده برای یادگیری چند نمونه ای
| عنوان | یک رویکرد دقیق برای به حداکثر رساندن سطح زیر منحنی مشخصه اپراتور گیرنده برای یادگیری چند نمونه ای |
|---|---|
| نویسنده | آتاسوی، گیزم |
| تاریخ انتشار: | 2018-08 |
| موضوع | مهندسی صنایع و صنایع، بهینه سازی اعداد صحیح مختلط، مسئله رتبه بندی دوبخشی، یادگیری چند نمونه ای، ناحیه زیر منحنی، ماشین های بردار پشتیبانی |
| نوع | سند |
| زبان | انگلیسی |
| دیجیتال | بله |
| نسخه خطی | خیر |
| کتابخانه: | دانشگاه اوزیغین |
| شماره ثبت | b7bee7b1-ccf1-45dd-8d3d-06470c22b352 |
| محل کتابخانه | گروه مهندسی صنایع |
| تاریخ | 2018-08 |
| متن نمونه | هدف از این مطالعه حل مسئله طبقه بندی چند نمونه ای با به حداکثر رساندن مستقیم مساحت زیر منحنی مشخصه عملیاتی گیرنده (ROC) (یعنی AUC) است. ما یک مدل برنامهریزی خطی اعداد صحیح مختلط را استخراج میکنیم که بهترین طبقهبندی مبتنی بر ابرصفحه ممکن را برای طبقهبندی چند نمونه تولید میکند. مطالعه ما پتانسیل رویکردهای مبتنی بر هواپیمای فوقالعاده را روشن میکند و نتایج اعتبار متقاطع (CV) را برای نمونههای معیار منعکس میکند. همانطور که ما مستقیماً AUC را به حداکثر میرسانیم، یک طبقهبندیکننده مبتنی بر ابرصفحه تنها بهطور تصادفی میتواند دقت CV بهتری نسبت به موارد ارائهشده در این مقاله ارائه دهد. در نهایت، ما نشان میدهیم که چگونه میتوان از ترفند هسته برای تولید طبقهبندیکنندههای غیرخطی استفاده کرد که AUC را به حداکثر میرسانند، هدف این مطالعه حل مسئله طبقهبندی نمونههای چندگانه با به حداکثر رساندن مستقیم سطح زیر منحنی مشخصه عامل گیرنده (ROC) (یعنی AUC) است. یک مدل برنامهریزی خطی عدد صحیح مختلط مشتق شده است که بهترین طبقهبندی کننده مبتنی بر ابر صفحه ممکن را برای طبقهبندی چند نمونه تولید میکند. کار ما پتانسیل رویکردهای مبتنی بر هایپرونیر را نشان میدهد که نتایج اعتبارسنجی متقاطع (CV) را برای نمونههای معیار منعکس میکند. با به حداکثر رساندن مستقیم AUC، یک طبقهبندیکننده مبتنی بر هواپیمای فوقالعاده میتواند دقت CV بهتری را نسبت به مواردی که در این مقاله ارائه شده است به طور تصادفی ارائه دهد. در نهایت، نحوه استفاده از ترفند هسته را برای تولید طبقهبندیکنندههای غیرخطی که AUC را به حداکثر میرسانند، ارائه میکنیم. |
