机器学习，强调某些观察？

我有一个多类的机器学习问题为此，我将设法在这样不同的方法如逻辑回归，决策树，多层感知器等机器学习，强调某些观察？

在数据集中的观测值具有为1的索引的属性-5定义了某个观察得到正确分类的重要性（指标1非常重要，根本不重要）。我的问题是：

问题1：我应该如何向模型强调低指数观测具有更重要的意义？我正在考虑复制这些观察结果，以便模型更好地拟合较低指数的观测值，还有哪些其他方法可行？

问题2：我可以使用哪些性能评估标准来找到预测这些低指数观测值的模型？（APPART从计算的索引的正确预测实例之间的分布。）

问候，

来源

2017-02-27 Josi

答1：呈现设定更经常训练的重要模式是用于此的标准方法。如果您的训练算法具有类似于训练率的特性（例如，如果您使用反向传播），那么您也可以为高优先级模式增加此参数。

答案2：我会使用加权均方误差，并给予高优先级模式的错误更大的权重。

来源

2017-02-27 09:40:42

关于第二个问题的答案，我不知道如何使用均方误差来分类问题？ – Josi

@Josi：我假设（1）你做了监督分类和（2）单元有连续的输出值。如果情况并非如此，则不同的错误测量可能更有意义。 –

第一个假设是真实的，但不是第二个假设。输出是离散的，所以输出只是一个类标签，只有一个标签是正确的，而其他所有标签都是不正确的。我一直在寻找一些方法，比如F分数和海明损失，但我很难做出决定。我在寻找的是一个性能评估标准： - 与分类精度有点互补 - 相当简单 - 为什么我应该使用这种方法的某种动机 – Josi

机器学习，强调某些观察？

回答

相关问题