Revista El Color del Dinero

Bienvenidos a Spain News Today.

Cómo funcionan los métodos sigmoideos, Parte 4 (Aprendizaje automático 2024) | Escrito por Monodeep Mukherjee | mayo 2024

Monodeep Mukherjee

Sigmoide extendido asimétrico con perceptrón (SIGTRON) para clasificación lineal desequilibrada

Autores: Henkyun Woo

Resumen: Este artículo presenta un nuevo modelo sigmoide polinomial llamado SIGTRON, que es un sigmoide asimétrico extendido con Perceptron, y un modelo convexo asociado llamado modelo de clasificación SIGTRON de no equilibrio (SIC) que utiliza una función de pérdida convexa hipotética inducida por SIGTRON. A diferencia del modelo tradicional de aprendizaje sensible a los costos, el modelo SIC no tiene un peso exógeno en la función de pérdida, pero tiene parámetros endógenos en la función de pérdida virtual inducida por SIGTRON. Como resultado, cuando el conjunto de datos de entrenamiento dado está cerca de un estado bien equilibrado considerando la relación de desequilibrio de clase (escala), mostramos que el modelo SIC propuesto se adapta mejor a las variaciones en el conjunto de datos, como el inconsistente (escala-) ) relación de desequilibrio. Equilibrio de clases entre conjuntos de datos de entrenamiento y prueba. Esta adaptación está justificada por la ecuación hiperboloide desviada, generada al linealizar el caso de gradiente ideal satisfactorio. Además, introducimos un marco de optimización cuasi-Newton (L-BFGS) para la pérdida convexa virtual mediante el desarrollo de una búsqueda bilineal basada en intervalos. Experimentalmente, observamos que el enfoque propuesto supera (o es comparable) a la pérdida focal convexa ponderada en π y al clasificador equilibrado LIBLINEAR (regresión logística, SVM y L2SVM) en términos de precisión de clasificación de prueba con 51 clases binarias y 67 conjuntos de datos multiclase. . En problemas de clasificación binaria, donde el desequilibrio de clases de escala del conjunto de datos de entrenamiento no es grande pero hay inconsistencia, el conjunto de modelos SIC con la mejor precisión de prueba para cada conjunto de datos (TOP1) supera a LIBSVM (C-SVC con kernel RBF). es un clasificador basado en kernel muy conocido

READ  Histórico túnel de viento prueba el cohete Mars Ascent Vehicle de la NASA