• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文会议>Discovery science >Evaluation of Different Heuristics for Accommodating Asymmetric Loss Functions in Regression
【24h】

Evaluation of Different Heuristics for Accommodating Asymmetric Loss Functions in Regression

机译：回归中适应非对称损失函数的不同启发式方法的评估

获取原文
获取原文并翻译 | 示例
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Most machine learning methods used for regression explicitly or implicitly assume a symmetric loss function. However, recently an increasing number of problem domains require loss functions that are asymmetric in the sense that the costs for over- or under-predicting the target value may differ. This paper discusses theoretical foundations of handling asymmetric loss functions, and describes and evaluates simple methods which might be used to offset the effects of asymmetric losses. While these methods are applicable to any problem where an asymmetric loss is used, our work derives its motivation from the area of predictive maintenance, which is often characterized by a small number of training samples (in case of failure prediction) or monetary cost-based, mostly non-convex, loss functions.
机译：用于回归的大多数机器学习方法显式或隐式地假设对称损失函数。但是，最近，越来越多的问题域要求损失函数不对称，这是因为过高或过低预测目标值的成本可能会有所不同。本文讨论了处理非对称损失函数的理论基础，并描述和评估了可能用于抵消非对称损失影响的简单方法。尽管这些方法适用于使用非对称损失的任何问题，但我们的工作源自预测性维护领域，该领域通常具有少量培训样本（在发生故障预测的情况下）或基于金钱成本的特点，主要是非凸损失函数。

著录项

  • 来源
    《Discovery science》|2017年|67-81|共15页
  • 会议地点 Kyoto(JP)
  • 作者

    Andrei Tolstikov; Frederik Janssen; Johannes Fuernkranz;

  • 作者单位

    Knowledge Engineering Group, TU Darmstadt, Hochschulstrasse 10, 64289 Darmstadt, Germany;

    Knowledge Engineering Group, TU Darmstadt, Hochschulstrasse 10, 64289 Darmstadt, Germany;

    Knowledge Engineering Group, TU Darmstadt, Hochschulstrasse 10, 64289 Darmstadt, Germany;

  • 会议组织
  • 原文格式 PDF
  • 正文语种 eng
  • 中图分类
  • 关键词

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号