层次分类的增量算法
尼科尔·塞萨·比安奇、克劳迪奥·金蒂莱、卢卡·扎尼博尼; 7(2):31−54, 2006.
摘要
我们研究在给定的分类法中对数据进行分类的问题当分类与多个和/或部分路径关联时是允许的。我们引入了一种新的算法，该算法以增量方式学习分类法中每个节点的线性阈值分类器。通过评估获得层次分类以自顶向下的方式训练节点分类器。要在我们的多路径框架中评估分类器，我们定义了一个新的分层损失函数，即H损失，捕捉直觉，无论何时进行分类如果在分类法的某个节点上出现错误，则不应出现任何损失对子树中发生的任何其他错误收取费用该节点的。
对生成数据实例的机制不做任何假设，并假设标签为线性噪声模型，我们将在线算法的H损失限定为H损失参考分类器知道标签生成的真实参数过程。我们表明，预计超额累积H损失最多会增加数据序列长度的对数。此外，我们的分析揭示了利率的精确相关性每个节点观察到的数据在特征结构上的收敛性。
我们的理论结果得到了一些关于性欲的实验的补充语料库。在这些实验中，我们表明，经过一个时期的训练，我们的算法比基于Perceptron的分层算法性能好得多分类器，与层次支持向量机相当接近。
[腹肌]
[pdf格式][围兜]
