大型多类问题的外推期望精度
Charles Zheng、Rakesh Achanta、Yuval Benjamini; 19(65):1−30, 2018.
摘要
多类分类的难度通常随着类的数量而增加。使用一小部分类的数据，我们可以预测分类器随着类数的增加而扩展的程度吗？我们提出了一个研究这个问题的框架，假设两个集合中的类都是从相同的人群中采样的，并且分类器基于独立学习的评分函数。在这个框架下，我们可以将一组$k$类的分类精度表示为判别函数的$（k-1）$st矩；判别函数本身不依赖于$k$。我们利用这一结果为判别函数开发了一个非参数回归估计量，它可以将精度结果外推到更大的未观测集。我们还形式化了一种替代方法，该方法分别为每个类推断精度，并确定了两种方法之间的权衡。我们表明，无论是在仿真中还是在现实的人脸识别或字符识别任务中，这两种方法都可以在大小为原始集十倍的标签集上准确预测分类器性能。
[腹肌]
[pdf格式][围兜]
