Diese Arbeit analysiert kritisch die Verwendung der Klassifikationsgenauigkeit, um Klassifikatoren mit natürlichen Datensätzen zu vergleichen, und bietet eine gründliche Untersuchung mit Hilfe der ROC-Analyse, standardmäßigen maschinellen Lernalgorithmen und Standard-Benchmark-Datensätzen. Die Ergebnisse werfen ernsthafte Bedenken hinsichtlich der Verwendung von Genauigkeitsschätzungen für den Vergleich von Klassifikatoren auf und stellen die Schlussfolgerungen, die aus solchen Studien gezogen werden können, in Frage. Im Verlauf der Untersuchung wird beschrieben, was im Allgemeinen als richtige Anwendung der ROC-Analyse für vergleichende Studien in der maschinellen Lernforschung gehalten werden kann. Es wird argumentiert, dass diese Methode sowohl für praktische Entscheidungen als auch für das Ziehen wissenschaftlicher Schlussfolgerungen vorzuziehen ist.
Inhaltsverzeichnis
Inhaltsverzeichnis
Darstellungsverzeichnis
Abkürzungsverzeichnis
Abstract
1 Einleitung
1.1 Aufgabenstellung
1.2 Zielsetzung
1.3 Aufbau und Struktur
2 Sind Vergleiche auf Basis von Induktion gerechtfertigt?
3 Sind Genauigkeitsschätzungen gerechtfertigt und angemessen?
3.1 Wie lässt sich das Problem der Genauigkeitsschätzungen darstellen?
3.2 Bewertung und Optimierung von Analyse-Strategien mit Hilfe von Grenzwertoptimierungskurven
3.3 Standardmethoden für dominante Klassifikatoren herstellen
3.4 Können Standardmethoden erzwungen werden, um dominierende ROC-Kurven zu erhalten?
4 Empfehlungen und Einschränkungen
5 Schlussfolgerung
6 Literaturverzeichnis
-
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen. -
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen. -
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen. -
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen. -
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen. -
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen.