奥尔加蒙维达;Frank Klawonn先生 相对成本曲线：AUC的一种替代方法和三类问题的扩展。 （英语） Zbl 1305.93195号 凯贝内提卡 50，第5期，647-660（2014）. 摘要：分类器的性能评估是选择最佳分类器或分类器的最佳参数集的关键步骤。接收机工作特性（ROC）曲线和ROC曲线下面积（AUC）被广泛用于分析分类器的性能。然而，该方法没有考虑到不同类别的错误分类可能会产生或多或少的严重后果。另一方面，通常很难确切说明错误分类的后果或成本。本文致力于研究相对成本曲线（RCC），这是一种图形技术，用于可视化二进制分类器在所有可能的相对误分类成本范围内的性能。该曲线提供了有用的信息，可用于选择最佳分类器集，或在不精确知道错误分类成本的情况下估计错误分类成本。本文引入了RCC上方面积（AAC）的概念，这是一种在不等误分类代价问题下分类器性能的标量度量。当误分类代价仅取决于真实类时，我们还将RCC扩展到多类别问题。 MSC公司： 93E12号机组 随机控制理论中的辨识 62H30型 分类和区分；聚类分析（统计方面） 93立方厘米 控制理论中的应用模型 关键词：分类器;绩效评估;误分类成本;成本曲线;接收机工作特性（ROC）曲线;ROC曲线下面积（AUC） 软件：UCI-毫升;截止2001年 PDF格式BibTeX公司 XML格式引用 \textit{O.Montvida}和\textit{F.Klawonn}，Kybernetika 50，No.5，647--660（2014；Zbl 1305.93195） 全文： 链接 参考文献： [1] Bradley，A.P.：在机器学习算法评估中使用ROC曲线下的面积。模式识别30（1997），1145-1159·doi:10.1016/S0031-3203（96）00142-2 [2] Drummond，C.，Holte，R.C.：成本曲线：可视化分类器性能的改进方法。机器学习65（2006）95-130·doi:10.1007/s10994-006-8199-5 [3] Fawcett，T.：岩石分析简介。模式识别信函。27 (2006), 861-874. ·doi:10.1016/j.patrec.2005.10.010 [4] Hand，D.J.：测量分类器性能：ROC曲线下面积的一致替代方法。机器学习77（2009），103-123·兹比尔1470.62085 ·doi:10.1007/s10994-009-5119-5 [5] Hand，D.J.，Till，R.J.：多类别分类问题ROC曲线下面积的简单概括。机器学习45（2001），171-186·Zbl 1007.68180号 ·doi:10.1023/A:1010920819831 [6] Hanley，J.A.：《接收器操作特征（ROC）方法：最新进展》，《诊断成像评论》29（1989），307-335。 [7] Hernández-Orallo，J.，Flach，P.，Ferri，C.：Brier曲线：基于成本的分类器性能可视化新方法。程序。第28届国际机器学习会议（ICML-11）（L.Getoor和T.Scheffer，ACM，纽约，2011年，第585-592页。 [8] Klawonn，F.、Höppner，F.和May，S.：分类器的ROC和AUC分析的替代方法。智能数据分析进展X（J.Gama、E.Bradley和J.Hollmén，Springer，柏林，2011年，第210-221页）。 [9] Krzanowski，W.J.，Hand，D.J.：连续数据的ROC曲线。查普曼和霍尔，伦敦，2009年·Zbl 1288.62005号 ·doi:10.1201/9781439800225 [10] Li，J.，Fine，J.P.：多类别和多测试的ROC分析：方法论及其在微阵列研究中的应用。生物统计9（2008），566-576·Zbl 1143.62083号 ·doi:10.1093/biostatistics/kxm050 [11] Murphy，P.M.，Aha，D.W.：机器学习数据库的Uci存储库。1992年可用： [12] Mossman，D.：三路ROC。《医疗决策》19（1999），78-89·doi:10.1177/0272989X9901900110 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。