接收機(jī)工作特性(Receiver Operating Characteristic,ROC)曲線以及曲線下面積(Area Under the ROC Curve,AUC)是評估二元決策模型必不可少的參考指標(biāo)之一。它能反映命中率與虛警率之間的折中關(guān)系。類似地,對于三分類任務(wù),學(xué)者提出三分類ROC分析,用接收機(jī)工作特性曲面以及曲面下體積(Volume Under the Surface,VUS)描述一個(gè)三元決策模型的性能。由于ROC分析具有對樣本分布和分類錯(cuò)誤成本不敏感的特性,現(xiàn)已被廣泛用于醫(yī)學(xué)決策,生物信號,信號處理,機(jī)器學(xué)習(xí)等領(lǐng)域。盡管ROC分析應(yīng)用十分廣泛,且具有一系列的優(yōu)點(diǎn),但在現(xiàn)實(shí)應(yīng)用中卻存在一系列的限制。首先,對于直接輸出決策結(jié)果的離散型分類器,在進(jìn)行ROC分析時(shí)只能得到ROC空間中的一個(gè)點(diǎn),而不是一條曲線。這樣實(shí)際上使得離散型分類器的ROC分析毫無意義。針對這一問題,本文介紹了對離散型分類器進(jìn)行ROC分析的基本思路與方法。文章以K近鄰分類器為例子,介紹離散型分類器的ROC分析方法。其次,ROC分析在實(shí)際的應(yīng)用中更多的是以AUC及其方差作為評估分類器性能的指標(biāo)。相對地,三分類任務(wù)則是計(jì)算VUS及其方差。傳統(tǒng)的計(jì)算AUC和VUS的算法具有指數(shù)量級的算法復(fù)雜度。這樣使得ROC分析在大數(shù)據(jù)任務(wù)中難以有效開展。本文針對這一問題,利用K近鄰分類器的離散特性,提出使用Bootstrap方法從幾何學(xué)的角度計(jì)算AUC、VUS以及它們的方差值。在保證算法精度的前提下,該算法的算法復(fù)雜度為常數(shù)量級。仿真結(jié)果表明,該算法執(zhí)行效率明顯優(yōu)于傳統(tǒng)無偏算法。ROC的應(yīng)用大部分集中在評估分類器性能上。為了探索更多的ROC分析應(yīng)用場景,文章以K近鄰分類器參數(shù)選擇以及故障診斷中的變點(diǎn)檢測為例,嘗試將ROC分析應(yīng)用到這兩個(gè)領(lǐng)域中。實(shí)驗(yàn)結(jié)果表明,ROC分析在以上兩個(gè)應(yīng)用場景中均有十分出色的表現(xiàn)。
【學(xué)位單位】：廣東工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2019
【中圖分類】：TN850;O225
【部分圖文】：

圖 2-1 K 近鄰分類器分類情況Fig. 2-1 K nearest neighbor classifier法∈ {( , ),( , ),...( , )}。其中 是特征先根據(jù)給定的距離度量找出 個(gè)與實(shí)例 最近的 )。在集合 ( )中，根據(jù)決策規(guī)則判定實(shí)例類決策規(guī)則為統(tǒng)計(jì) ( )中各個(gè)類別的數(shù)量。 = argmax ( = ) ∈ ( ) 為類別。當(dāng)指示函數(shù)輸入為正時(shí)，輸出為 1也可為鄰域 ( )中的每一個(gè)點(diǎn)設(shè)置權(quán)重，決策

圖 3-1 二維空間下的決策區(qū)域Fig. 3-1 Decision area in two-dimensional space判別規(guī)則，還可進(jìn)一步化簡。定義似然比為LR = ( | ) ( | ) ( )( ), ∈ (0, +∞)。決策規(guī)則化簡為：類別 1，當(dāng)LR > ；類別 2，當(dāng)LR ≤ 。一維空間，該一維空間即為決策空間，LR = 為

圖 3-1 二維空間下的決策區(qū)域Fig. 3-1 Decision area in two-dimensional space判別規(guī)則，還可進(jìn)一步化簡。定義似然比為LR = ( | ) ( | ) ( )( ), ∈ (0, +∞)。決策規(guī)則化簡為：為類別 1，當(dāng)LR > ；為類別 2，當(dāng)LR ≤ 。一維空間，該一維空間即為決策空間，LR = 為
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 李敏;李華;程茂華;;一種自適應(yīng)子融合集成多分類器方法[J];計(jì)算機(jī)測量與控制;2019年04期

2 張林;韓美林;楊琳;王洋;;基于多分類器融合的近紅外光譜技術(shù)鑒別蜂蜜品種[J];化學(xué)分析計(jì)量;2019年03期

3 黎平;劉萍;張巡;范郁鋒;;基于分類器的身份證號碼識(shí)別研究[J];貴州科學(xué);2018年01期

4 王忠民;王科;賀炎;;一種基于多分類器融合的人體運(yùn)動(dòng)行為識(shí)別模型[J];計(jì)算機(jī)科學(xué);2016年12期

5 鄒洪俠;陶碩;;一種代價(jià)敏感的三類分類器評估方法的研究與應(yīng)用[J];通化師范學(xué)院學(xué)報(bào);2017年08期

6 牛明昂;王強(qiáng);崔希民;趙康年;柴鵬輝;;多分類器融合與單分類器影像分類比較研究[J];礦山測量;2016年04期

7 趙藝淞;王保云;黎曉路;王婷;;基于多分類器組合的城市不透水面提取研究[J];城市地理;2017年04期

8 何舒煒;;《垃圾分類器》[J];輔導(dǎo)員;2016年11期

9 李健蘋;游中勝;;一種新的多分類器融合方法[J];西南師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2014年01期

10 蘭遠(yuǎn)東;曾樹洪;;動(dòng)態(tài)加權(quán)投票的多分類器聚合[J];現(xiàn)代計(jì)算機(jī)(專業(yè)版);2014年05期

相關(guān)博士學(xué)位論文 前10條

1 孫宸;PolSAR圖像大間隔學(xué)習(xí)分類器設(shè)計(jì)及應(yīng)用[D];西安電子科技大學(xué);2017年

2 于愛華;基于壓縮感知人臉識(shí)別技術(shù)的研究[D];浙江工業(yè)大學(xué);2017年

3 雷浩川;多分類器集成的遙感影像分類研究[D];中國地質(zhì)大學(xué)(北京);2018年

4 馮曉東;基于軟概率的分類器動(dòng)態(tài)集成方法研究[D];重慶大學(xué);2018年

5 陳木生;基于欠采樣和不平衡集成分類的垃圾網(wǎng)頁檢測研究[D];南昌大學(xué);2018年

6 陳海霞;面向數(shù)據(jù)挖掘的分類器集成研究[D];吉林大學(xué);2006年

7 王衛(wèi)東;高維小樣本數(shù)據(jù)的特征提取及分類器算法研究[D];南京理工大學(xué);2007年

8 劉杰;乘員類型的自動(dòng)識(shí)別及其在智能乘員約束系統(tǒng)中的應(yīng)用[D];吉林大學(xué);2007年

9 吳尉林;可移植的穩(wěn)健口語理解方法研究[D];上海交通大學(xué);2007年

10 章軍;小生境粒子群優(yōu)化算法及其在多分類器集成中的應(yīng)用研究[D];中國科學(xué)技術(shù)大學(xué);2007年

相關(guān)碩士學(xué)位論文 前10條

1 楊陽;基于標(biāo)簽空間相關(guān)性的改進(jìn)分類器鏈算法[D];重慶郵電大學(xué);2019年

2 王江月;基于不均衡樣本的脈象信號分類方法研究[D];哈爾濱工業(yè)大學(xué);2018年

3 陳俊航;基于對抗性樣本檢測與還原的安全圖像分類器的研究與實(shí)現(xiàn)[D];廣東技術(shù)師范大學(xué);2019年

4 楊俊杰;基于k近鄰分類器ROC分析方法[D];廣東工業(yè)大學(xué);2019年

5 方曄瑋;基于組分特征的tracrRNA識(shí)別和預(yù)測[D];電子科技大學(xué);2019年

6 李蓉;基于SVM礦井環(huán)境無線多模信號的檢測識(shí)別[D];西安科技大學(xué);2019年

7 胡燕;基于分類器融合的SAR圖像目標(biāo)識(shí)別[D];上海交通大學(xué);2016年

8 文金;基于電子產(chǎn)品領(lǐng)域商品評論的情感分析方法研究和實(shí)現(xiàn)[D];北京交通大學(xué);2019年

9 李存存;面向多標(biāo)記分類的主動(dòng)學(xué)習(xí)算法研究[D];北京交通大學(xué);2019年

10 劉林;分類器評價(jià)指標(biāo)MCC、CEN和ACC的比較研究[D];天津師范大學(xué);2019年

本文編號：2876944