PulseAugur
中
实时 15:30:51
English(EN) Improving Performance in Classification Tasks with LCEN and the Weighted Focal Differentiable MCC Loss

新的LCEN算法和diffMCC损失提升分类任务性能

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种专门用于分类任务的改进型LASSO-Clip-EN (LCEN)算法，保持了其可解释性和特征选择能力。实验表明，这种新的LCEN算法始终能获得较高的宏F1分数和Matthews相关系数（MCC），性能优于大多数其他测试模型，并消除了平均56%的输入特征。此外，还评估了一种新颖的加权焦点可微分MCC（diffMCC）损失函数，结果表明使用该损失函数训练的模型在F1分数和MCC方面始终优于使用加权交叉熵损失训练的模型。 AI

影响 引入了新颖的特征选择和损失函数技术，有望提高分类模型的性能和可解释性。

排序理由 学术论文，介绍用于分类任务的新算法和损失函数。

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的LCEN算法和diffMCC损失提升分类任务性能

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Richard D. Braatz ·

    Improving Performance in Classification Tasks with LCEN and the Weighted Focal Differentiable MCC Loss

    The LASSO-Clip-EN (LCEN) algorithm was previously introduced for nonlinear, interpretable feature selection and machine learning. However, its design and use was limited to regression tasks. In this work, we create a modified version of the LCEN algorithm that is suitable for cla…

相关话题