艾琳·奥尔文。;罗伯特·夏皮雷(Robert E.Schapire)。;歌手,约拉姆 将多类简化为二进制:边缘分类器的统一方法。 (英语) Zbl 1013.68175号 J.马赫。学习。物件。 第1期,第2期,第113-141页(2001年). 摘要:我们提出了一个统一的框架来研究多类分类问题的解决方案,方法是将它们简化为多个二进制问题,然后使用基于边缘的二进制学习算法来解决这些二进制问题。该框架统一了一些最流行的方法,在这些方法中,每个类与所有其他类进行比较,或者对所有类进行相互比较,或者使用具有纠错属性的输出代码。我们提出了一种组合二进制问题上生成的分类器的通用方法,并证明了给定单个二进制学习算法的经验损失的一般经验多类损失界。该方案和相应的界限适用于许多流行的分类学习算法,包括支持向量机、AdaBoost、回归、逻辑回归和决策树算法。我们还用AdaBoost作为二进制学习器对一般输出码进行了多类泛化错误分析。SVM和AdaBoost的实验结果表明,我们的方案为最常用的多类算法提供了一种可行的替代方案。 引用于90文件 MSC公司: 68T05型 人工智能中的学习和自适应系统 关键词:多类分类问题;基于边缘的二进制学习算法 PDF格式BibTeX公司 XML格式引用 \textit{E.L.Allwein}等人,J.Mach。学习。决议1,第2号,113--141(2001;Zbl 1013.68175) 全文: 内政部