قواعد امتیازدهی برتر برای ارزیابی احتمالاتیِ وظایف طبقه‌بندی چندکلاسهٔ تک‌برچسبی
قواعد امتیازدهی برتر برای ارزیابی احتمالاتیِ وظایف طبقه‌بندی چندکلاسهٔ تک‌برچسبی
نوشتهٔ
Rouhollah Ahmadian, Mehdi Ghatee, Johan Wahlström
برای انتشار در این نشریه پذیرفته شده است: «International Journal of Approximate Reasoning“.
نکات برجسته:
- قواعد امتیازدهی متداول ممکن است به طبقه‌بندی‌های نادرست نسبت به پیش‌بینی‌های درست امتیاز بهتری بدهند.
- معرفی ویژگی «برتری» برای اطمینان از اینکه پیش‌بینی‌های درست امتیاز بهتری از پیش‌بینی‌های نادرست دریافت می‌کنند.
- PBS و PLL با اصلاح قواعد امتیازدهی متداول، جریمهٔ بیشتری برای طبقه‌بندی‌های نادرست در نظر می‌گیرند.
- اثبات اینکه PBS و PLL ضمن برخورداری از ویژگی برتری، همچنان قواعدی اکیداً درست‌انگیز (strictly proper) هستند.
چکیده:
این پژوهش، قواعد امتیازدهی برتر نوینی با نام‌های امتیاز بریر جریمه‌شده (PBS) و زیان لگاریتمی جریمه‌شده (PLL) را برای بهبود ارزیابی مدل در طبقه‌بندی احتمالاتی معرفی می‌کند. قواعد امتیازدهی متداول مانند امتیاز بریر و زیان لگاریتمی گاهی به طبقه‌بندی‌های نادرست نسبت به طبقه‌بندی‌های درست امتیاز بهتری می‌دهند. این فاصله با ترجیح واقعیِ پاداش‌دادن به طبقه‌بندی‌های درست می‌تواند به انتخاب مدلی غیربهینه بینجامد. با گنجاندن جریمه برای طبقه‌بندی‌های نادرست، PBS و PLL قواعد امتیازدهی درست‌انگیزِ متداول را اصلاح می‌کنند تا همواره به پیش‌بینی‌های درست امتیاز بهتری بدهند. اثبات‌های رسمی نشان می‌دهند که PBS و PLL ویژگی‌های قواعد امتیازدهی اکیداً درست‌انگیز را دارند و هم‌زمان به طبقه‌بندی‌های دقیق ترجیحاً پاداش می‌دهند. آزمایش‌ها مزایای استفاده از PBS و PLL را برای انتخاب مدل، انتخاب نقاط ذخیرهٔ مدل و توقف زودهنگام نشان می‌دهند. PBS در طول آموزش، در مقایسه با امتیاز بریر، همبستگی منفی بیشتری با امتیاز F1 نشان می‌دهد. بنابراین، PBS نقاط ذخیرهٔ بهینه و زمان مناسب توقف زودهنگام را مؤثرتر شناسایی می‌کند و به بهبود امتیازهای F1 می‌انجامد. تحلیل مقایسه‌ای تأیید می‌کند مدل‌هایی که با استفاده از PBS و PLL انتخاب می‌شوند، امتیازهای F1 بهتری به دست می‌آورند. بنابراین، PBS و PLL با دربرگرفتن هم اصول امتیازدهی درست‌انگیز و هم ترجیح صریح طبقه‌بندی‌های درست، فاصلهٔ میان کمّی‌سازی عدم قطعیت و بیشینه‌سازی دقت را برطرف می‌کنند. معیارهای پیشنهادی می‌توانند ارزیابی و انتخاب مدل را برای طبقه‌بندی احتمالاتیِ قابل‌اعتماد بهبود دهند.
چکیدهٔ تصویری
مرجع: https://doi.org/10.1016/j.ijar.2025.109421
نسخهٔ کامل مقالهٔ «قواعد امتیازدهی برتر برای ارزیابی احتمالاتیِ وظایف طبقه‌بندی چندکلاسهٔ تک‌برچسبی» نوشتهٔ Rouhollah Ahmadian، Mehdi Ghatee و Johan Wahlström اکنون به‌صورت آنلاین در این نشریه در دسترس است: «International Journal of Approximate Reasoning». با کلیک بر پیوند اشتراک‌گذاری زیر پیش از 14 مهٔ 2025 می‌توان آن را دریافت کرد. نیازی به ایجاد حساب، ثبت‌نام یا پرداخت هزینه نیست.