AUC-ROC
PulseAugur coverage of AUC-ROC — every cluster mentioning AUC-ROC across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
机器学习模型预测阿尔茨海默病早期阶段
研究人员开发了一种机器学习模型，利用阿尔茨海默病神经影像学计划 (ADNI) 数据集中的临床数据、神经心理学评分和神经影像学测量来预测阿尔茨海默病早期阶段。为解决缺失值和类别不平衡等挑战，该研究采用了迭代插补和 Borderline SVM-SMOTE，然后进行特征选择。训练了一个结合逻辑回归、Extra Trees、Bagging KNN 和 LightGBM 的堆叠集成模型，同时训练了一个人工神经网络，并使用精确率、召回率、F1 …
-
新的QC-SMOTE方法提高了不平衡分类的准确性
研究人员开发了QC-SMOTE，一种新颖的过采样框架，旨在提高不平衡数据集上的分类准确性。该方法通过结合一种质量控制方法来解决生成低质量合成样本的问题，该方法根据局部密度、安全级别以及与多数类的隔离度来评估样本的可靠性。在30个数据集上的实验表明，QC-SMOTE优于现有的过采样技术，在具有中度至严重类别不平衡的情况下，取得了更高的AUC-ROC和Macro F1分数。
-
Manokhin 概率矩阵为分类器质量提供新框架
研究人员引入了 Manokhin 概率矩阵，这是一个旨在评估分类器概率预测质量的新诊断框架。该框架区分了可靠性和分辨率，将分类器分为四种原型：Eagle、Bull、Sloth 和 Mole。一项对 21 个分类器和 30 个任务进行的实证研究发现，像 CatBoost 和 Random Forest 这样的模型是 Eagles，而 XGBoost 和 LightGBM 是 Bulls，这对事后校准具有特定意义。
-
Eugene Yan 使用图和 NLP 技术增强推荐系统
Eugene Yan 的博客文章详细介绍了构建优于基线矩阵分解模型的推荐系统的方法。该方法涉及使用自然语言处理 (NLP) 技术，特别是 word2vec，根据产品之间的关系生成产品向量表示。然后，借鉴 DeepWalk 等基于图的学习方法，通过识别相似项来使用这些产品嵌入进行推荐。