【问题标题】:Machine learning, emphasize certain observations?机器学习,强调某些观察?
【发布时间】:2017-02-27 17:40:42
【问题描述】:

我有一个多类机器学习问题,我将尝试不同的方法,例如逻辑回归、决策树、多层感知器等。

数据集中的观察有一个属性,它是 1-5 的索引,它定义了某个观察被正确分类的重要性(索引 1 非常重要,5 根本不重要)。我的问题是:

问题 1:我应该如何向模型强调较低指数的观察具有更大的重要性?我正在考虑复制这些观察结果,以便模型更适合较低指数的观察结果,还有哪些其他方法可能?

问题 2:我可以使用哪些性能评估标准来找到能够很好地预测这些低指数观察结果的模型? (除了计算正确预测的实例之间的索引分布。)

问候,

【问题讨论】:

    标签: machine-learning


    【解决方案1】:

    答案 1:更频繁地展示训练集的重要模式是标准方法。如果你的训练算法有类似学习率的东西(例如,如果你使用反向传播),你也可以为高优先级模式增加这个参数。

    答案 2:我会使用加权均方误差,并赋予高优先级模式的误差更大的权重。

    【讨论】:

    • 关于第二个问题的答案,我不明白如何将均方误差用于分类问题?
    • @Josi:我假设(1)您进行监督分类和(2)单元格具有连续的输出值。如果不是这种情况,则不同的误差度量可能更有意义。
    • 第一个假设是正确的,但不是第二个。输出是离散的,因此输出只是一个类标签,其中只有一个标签是正确的,而所有其他标签都是不正确的。我一直在研究 F score 和 Hamming loss 等一些方法,但我很难做出决定。我正在寻找的是一个性能评估标准,它是: - 在某种程度上补充分类准确性 - 相当简单 - 我为什么应该使用这种方法的某种动机
    猜你喜欢
    • 2020-02-06
    • 1970-01-01
    • 2016-08-03
    • 2017-05-29
    • 1970-01-01
    • 2021-09-20
    • 2010-10-03
    • 2019-05-21
    • 2014-08-27
    相关资源
    最近更新 更多