11.65 雙重代價敏感的屬性分類模型

現有屬性學習方法中，所有的目標類通常共享一組公共屬性，即這些公共屬性構成目標對象的表達特征空間。特別是當對象來自很多目標類時，這種表達方式有利于實現不同類之間的知識共享。然而，利用共享屬性表示方法會導致類別不平衡問題。即對于某個特定屬性，并非所有的目標類在該屬性上都有響應，因此相應屬性分類任務很可能面臨嚴重的類別不平衡問題。例如，在 Animals WithAttributes 數據集上進行“Blue”屬性分類時，負例樣本有 23 353 個，而正例樣本只有 942 個。然而，現有的屬性學習方法無法應對上述類別不平衡問題。為此，本文提出一種雙重代價敏感屬性分類模型，即在特征選擇和屬性分類兩個階段分別引入代價敏感信息。具體地，在第一階段設計了一類基于代價敏感信息的特征選擇算法，旨在選擇能使誤分類代價最小的特征子集；在第二階段，利用代價敏感分類器進行屬性分類，旨在使分類器不會被大量的負例樣本所主導。實驗表明，所提方法能有效應對屬性學習中普遍存在的類別不平衡問題。

總結

以上是生活随笔為你收集整理的《中国人工智能学会通讯》——11.65 双重代价敏感的属性分类模型的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。