Continuous Sweep for Binary Quantification Learning

doi:10.1007/s00357-026-09548-3

Continuous Sweep for Binary Quantification Learning

2026-05-01

0

PRE

AI

DOI：10.1007/s00357-026-09548-3

原文链接

原文求助

摘要

En 中文

定量器是一种监督式机器学习算法，专注于估计数据集中的类别频率，而非标记其个体观测值。我们介绍了连续扫描（continuous sweep），一种受表现优异的中位数扫描（median sweep）启发的新型参数化二元定量器，中位数扫描是基于调整后计数估计器的集成方法。我们对中位数扫描进行了两方面改进：（1）使用参数化类别分布而非经验分布来估计真阳性率和假阳性率；（2）使用调整后计数估计值集合的均值而非中位数。这两项改进允许对连续扫描的偏差和方差进行理论分析。此外，偏差和方差的表达式可用于定义集成中使用的调整后计数估计值集合的最优决策边界。在三项模拟研究中，我们表明连续扫描在分类、计数和校正组中的定量器（包括中位数扫描）中表现更优，并与分布匹配组中的两个最佳定量器表现相当。此外，对实际数据集的分析也显示这些定量器表现相似。

Keyword:

Quantification learning

Class prevalence estimation

Prior probability estimation

Misclassification bias

Base rate

Continuous Sweep for Binary Quantification Learning

摘要

期刊

机构

引用论文