无消歧的偏标记学习(2017) |
您所在的位置:网站首页 › 在数据集中的标记和真实标记之间 › 无消歧的偏标记学习(2017) |
原文链接:http://aaai.org/ocs/index.php/AAAI/AAAI17/paper/view/14210 研究动机 基于消歧的策略易于被和真值标签在样本候选标签集中同时出现的假阳性标签误导而性能下降,候选集越大,性能下降越多 多分类器分解为二分类器 多分类器集成的最流行机制是使用一对余或一对一分解将学习任务分解 一对余分解:学习任务分解为多个二分类器。对每个二分类器:一个类为正类,其余类都为负类。将二分类器的输出作为类标签的预测置信度,通过选择输出最大的分类器的类标签作为对未见过样本的预测 一对一分解:学习任务分解为 [ q 2 ] \begin{bmatrix} q \\ 2\end{bmatrix} [q2] 个二分类器,每个二分类器分类一对类标签 ( y j , y k ) ( 1 ≤ j ; k ≤ q ) , y j (y_j,y_k)(1 \le j ;k \le q),y_j (yj,yk)(1≤j |
今日新闻 |
点击排行 |
|
推荐新闻 |
图片新闻 |
|
专题文章 |
CopyRight 2018-2019 实验室设备网 版权所有 win10的实时保护怎么永久关闭 |