کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6940544 1450014 2018 12 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Weighted kappa loss function for multi-class classification of ordinal data in deep learning
ترجمه فارسی عنوان
عملکرد ضایعه کاپا وزن برای طبقه بندی چند طبقه ای داده های رشته ای در یادگیری عمیق
کلمات کلیدی
ترجمه چکیده
وزنی کاپا شاخص مرجع مورد استفاده در بسیاری از سیستم های تشخیصی برای مقایسه توافق بین بینندگان مختلف است. این شاخص همچنین می تواند برای ارزیابی عملکرد روش های طبقه بندی اتوماتیک بر علیه استاندارد طلا ارائه شده توسط یک متخصص (یا از اجماع یک گروه متخصص) استفاده شود. از سوی دیگر، در سالهای گذشته، یادگیری عمیق به عنوان یک روش یادگیری ماشین جدید به اهمیت زیادی دست یافته است. تابع از دست دادن معمول استفاده شده در یادگیری عمیق برای طبقه بندی چند طبقه، از دست رفتن لگاریتمی است. در این مقاله، استفاده مستقیم از عملکرد تلفات کاپا وزن برای طبقه بندی چند طبقه ای از داده های ردیف، همچنین به عنوان رگرسیون ردیف شناخته می شود. سه مسئله طبقه بندی در این مقاله با استفاده از این دو عملکرد از دست رفته حل می شود. نتایج نشان می دهد که طبقه بندی بهتر در هنگام ایجاد مدل با بهینه سازی کاپا به جای از دست رفتن لگاریتم انجام می شود.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر چشم انداز کامپیوتر و تشخیص الگو
پیش نمایش مقاله
عملکرد ضایعه کاپا وزن برای طبقه بندی چند طبقه ای داده های رشته ای در یادگیری عمیق
چکیده انگلیسی
Weighted Kappa is an index of reference used in many diagnosis systems to compare the agreement between different raters. This index can be also used to evaluate the performance of automatic classification methods against the gold standard given by an expert (or from a consensus of an expert group). On the other hand, in the last years, deep learning has achieved a great importance as a new machine learning method. The usual loss function used in deep learning for multi-class classification is the logarithmic loss. In this paper we explore the direct use of a weighted kappa loss function for multi-class classification of ordinal data, also known as ordinal regression. Three classification problems are solved in the paper using these two loss functions. Results confirm that better classification is made when the model is constructed with the optimization of kappa instead of logarithmic loss.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Pattern Recognition Letters - Volume 105, 1 April 2018, Pages 144-154
نویسندگان
, , ,