.png){kind=icon}
返回
Classification with Reject Option: Building Meta-models to Predict Classification Error
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-15987-8_15.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
实例硬度度量（IHMs）已被文献采纳，用于评估和了解数据集中特定实例的分类难度。基于此信息，可在训练时通过实例过滤等方法改进数据集质量，从而优化学习得到的机器学习（ML）模型。本研究采用不同方向，即在部署时利用IHMs判断ML模型的预测是否足够可靠以被接受。在所提方案中，首先提取一组经过调整的IHMs，使其无需查询实例的实际标签。这对于在测试时估计未标记实例的难度至关重要。随后，我们训练元模型，根据IHMs值判断实例是否会被ML模型误分类。若元模型预测某测试实例将被误分类，则拒绝其预测。为验证方案可行性，我们在两个合成数据集和两个真实医疗数据集上进行了实验。该拒绝策略通过提高接受实例的准确率，增强了ML模型的可靠性。
Keyword:
Machine Learning
Instance Hardness Measures
Classification with Reject Option
期刊
I
IF:
0
论文数:
41
被引数:
0
机构
引用论文
Understanding the performance of machine learning models from data- to patient-level了解从数据到患者级别的机器学习模型的性能
PREAI
分享收藏分享收藏
分享收藏A unifying view of class overlap and imbalance: Key concepts, multi-view panorama, and open avenues for research类重叠和不平衡的统一视图: 关键概念，多视图全景和开放的研究途径.png)
INFORMATION FUSION
OAAI
INFORMATION FUSIONIF15.5
OAAI分享收藏Relating instance hardness to classification performance in a dataset: a visual approachMACHINE LEARNINGOAAI
MACHINE LEARNINGIF2.9
OAAI分享收藏
查看更多内容