Classification in high-dimensional spectral data: Accuracy vs. interpretability vs. model size

در مقابل پس زمینه طبقه بندی در وظایف داده کاوی معمولا جنبه های مختلف از دقت و اغلب نیز از اندازه مدل در نظر گرفته تا کنون. جنبه تفسیر پذیری فقط شروع به توجه عمومی می شود. این مقاله تمام سه این جنبه را در چهارچوب چندین پارادایم مبتنی بر هوش محاسباتی برای طبقه بندی طیفی با ابعاد فراوانی داده های به دست آمده توسط تصویربرداری هیپرپرترورافی و طیف سنجی رام ارزیابی می کند. این متشکل بر پارادایم های پیشرفته ای از چندین مفاهیم مختلف مانند نمونه اولیه مبتنی بر، هسته مبتنی بر، و پشتیبانی از بردار مبتنی بر. از آنجا که نقطه نظر کاربرد تاکید شده است، سه مجموعه داده دنیای واقعی، اساس مطالعه ارائه شده است.