• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Information Processing & Management >A systematic analysis of performance measures for classification tasks
【24h】

A systematic analysis of performance measures for classification tasks

机译：对分类任务的绩效指标进行系统分析

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

This paper presents a systematic analysis of twenty four performance measures used in the complete spectrum of Machine Learning classification tasks, i.e., binary, multi-class, multi-labelled, and hierarchical. For each classification task, the study relates a set of changes in a confusion matrix to specific characteristics of data. Then the analysis concentrates on the type of changes to a confusion matrix that do not change a measure, therefore, preserve a classifier's evaluation (measure invariance). The result is the measure invariance taxonomy with respect to all relevant label distribution changes in a classification problem. This formal analysis is supported by examples of applications where invariance properties of measures lead to a more reliable evaluation of classifiers. Text classification supplements the discussion with several case studies.
机译：本文对机器学习分类任务的全部范围（即二进制，多类，多标签和分层）中使用的二十四种性能度量进行了系统分析。对于每个分类任务，研究将混淆矩阵中的一组更改与数据的特定特征相关联。然后，分析集中在不改变度量的混淆矩阵的更改类型上，因此保留分类器的评估（度量不变性）。结果是针对分类问题中所有相关标签分布变化的度量不变性分类法。形式上的不变性导致度量值的更可靠评估的应用示例支持了这种形式化分析。文本分类通过几个案例研究补充了讨论。

著录项

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