PulseAugur
中
实时 10:14:13

SoftMCC框架增强了不平衡分类模型的选择

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员推出了一种新颖的训练后框架SoftMCC，旨在改进不平衡二分类任务的模型选择。该方法通过利用概率值混淆计数，解决了传统Matthews相关系数（MCC）验证中固有的阈值依赖性问题。跨多个设置的实验表明，与AUPRC和[email protected]等其他指标相比，SoftMCC实现了更优越的稳定性和排名，尽管在所选模型的效用方面未显示出优势。 AI

影响 为不平衡分类任务中的模型评估和选择引入了一个新指标，有可能提高此类场景下的性能。

排序理由 该集群描述了一篇介绍用于机器学习模型选择的新颖框架的学术论文。

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

SoftMCC框架增强了不平衡分类模型的选择

报道来源 [2]

  1. arXiv cs.LG TIER_1 English(EN) · \"Ozkan Canay ·

    SoftMCC：一种用于类别不平衡下无阈值模型选择的MCC-Brier校准桥

    arXiv:2608.08984v1 Announce Type: new Abstract: Model selection for imbalanced binary classification often uses the Matthews correlation coefficient (MCC), but thresholding makes validation rankings threshold-dependent. SoftMCC is a post-training MCC validation framework on estab…

  2. Hugging Face Daily Papers TIER_1 English(EN) ·

    SoftMCC：用于类别不平衡下无阈值模型选择的MCC-Brier校准桥

    Model selection for imbalanced binary classification often uses the Matthews correlation coefficient (MCC), but thresholding makes validation rankings threshold-dependent. SoftMCC is a post-training MCC validation framework on established probability-valued confusion counts, coup…

相关实体

相关话题