불확실한 데이터로지도 학습?

11

불확실한 데이터 셋에지도 학습 모델을 적용하기위한 기존의 방법론이 있습니까? 예를 들어 클래스 A와 B가있는 데이터 세트가 있다고 가정 해 봅시다.

+----------+----------+-------+-----------+
| FeatureA | FeatureB | Label | Certainty |
+----------+----------+-------+-----------+
|        2 |        3 | A     | 50%       |
|        3 |        1 | B     | 80%       |
|        1 |        1 | A     | 100%      |
+----------+----------+-------+-----------+

머신 러닝 모델을 어떻게 훈련시킬 수 있습니까? 감사.

machine-learning supervised-learning

— 하이퍼도
소스

11

귀하의 데이터에 귀속되는 수치 적 품질로서,이 "확실성"이 반드시 가중치로 사용될 수 있다고 생각합니다. "확실성"점수가 높을수록 의사 결정 기능에 대한 데이텀의 가중치가 증가합니다.

많은지도 학습 알고리즘이 가중치를 지원하므로 사용하려는 가중치 버전을 찾아야합니다.

— 개똥 벌레
소스

2

(+1) 본질적으로 가중치는 포인트의 "복제"역할을하는 경향이 있기 때문에 아마도 모든 알고리즘은 가중 버전으로, 예를 들어 OP 예제에서 [5,8,10] 사본을 전달할 수 있습니다. [50,80,100] %의 확실성을 반영한 3 점. (이것은 원칙적으로 수행 될 수있는 것처럼 진정으로 필요하지 않아야하며, 알고리즘의 해당 가중 버전이 있어야합니다.)

— GeoMatt22

5

레이블 A 또는 B를 사용하는 대신 레이블을 연속적인 확실성 값으로 대체 할 수 있습니다. 예를 들어, 은 확실하게 에 해당하고 은 확실하게 , 은 자신에 해당하는 40 % 확신은 입니다. 그런 다음 클래스 또는 를 예측하는 대신 하나 또는 다른 것으로 생각하는 정도에 따라 과 사이의 점수를 출력 하는 모델을 사용 하십시오 (및이 점수가> 또는 <1/2인지에 따라 임계 값을 매기십시오). 이렇게하면 분류 문제가 회귀 문제로 분류됩니다 (분류기로 되돌아가는 임계 값). $1$ $A$ $0$ $B$ $0.6$ $A$ $A$ $B$ $0$ $1$

예를 들어 선형 모델을 를 (여기서 는 위의 확실성)입니다. 그런 다음 일부 데이터를 테스트하려면 모델에 연결하고 이면 레이블 출력 하고 그렇지 않으면 . $\log \frac{p(A|x)}{p(B|x)} = \log \frac{p(A|x)}{1-P(A|x)}$ $\beta_0 + \beta_1^T x$ $p(A|x)$ $A$ $\beta_0 + \beta_1^T x >0$ $B$

— 배트맨
소스

따라서 다중 클래스 분류 문제가있는 경우 대상을 클래스 수와 같은 길이의 벡터로 설정할 수 있습니까?

— hyperdo 2012 년

확실성의 합이 100 %라고 가정 할 때 클래스 수 -1; 이 예는 로지스틱 회귀와 유사합니다. 많은 분류 기가 점수를 산출합니다 (예 : 일부 모델에서 p (class | data)의 추정치). 이 모든 대답은 클래스를 직접 예측하는 대신 확실성을 점수로보고 대신 예측하는 것입니다. 그런 다음 점수로 무언가를하십시오.

— 배트맨