福斯特教务长；汤姆·福塞特 针对不精确环境的稳健分类。 （英语） Zbl 0969.68126号 机器。学习。 42，第3期，203-231（2001）. 总结：在实际环境中，通常很难精确指定目标操作条件，例如，目标误分类成本。这种不确定性使得构建稳健的分类系统存在问题。我们表明，可以构建一个混合分类器，该分类器在任何目标条件下的性能都至少与最佳可用分类器一样好。在某些情况下，混合分类器的性能实际上可以超过最著名的分类器。这一强大的性能扩展到了各种康普框架，包括准确性、预期成本、提升率、精确度、召回率和劳动力利用率等指标的优化。混合型还可以高效地进行构建、存储和更新。该混合方法基于一种比较分类器性能的方法，该方法对不精确的类分布和错误分类成本具有鲁棒性。ROC凸包（ROCCH）方法结合了ROC分析、决策分析和计算几何的技术，并将其应用于分析学习分类器的细节。该方法高效且增量，最大限度地减少了分类器性能数据的管理，并允许进行清晰的视觉比较和敏感性分析。最后，我们指出经验证据表明，对于许多实际问题，确实需要一个健壮的混合分类器。 引用于56文件 MSC公司： 68T05型 人工智能中的学习和自适应系统 关键词：鲁棒分类系统 PDF格式BibTeX公司 XML格式引用 \textit{F.Provost}和\textit{T.Fawcett}，马赫。学习。42，第3号，203--231（2001；Zbl 0969.68126） 全文： 内政部