Участник:LuarSoll/Песочница
Материал из MachineLearning.
Отступ (margin) объекта из обучающей выборки - величина, показывающая степень типичности этого объекта, "расстояние" от этого объекта до границы класса
Содержание |
Основная формула
Отступ объекта относительно алгоритма классификации, имеющего вид
- определяется формулой
Степени типичности объектов
- Эталонные объекты - объекты, имеющие большой положительный отступ, плотно окруженные объектами своего класса и являющиеся наиболее типичными его представителями.
- Неинформативные объекты - объекты, имеющие положительный отступ. Изъятие их из выборки не влияет на качество классификации.
- Пограничные объекты - объекты с отступом, близким к нулю. Классификация пограничных ответов неустойчива, малые изменения метрики, параметров алгоритма классификации или обучающей выборки могут изменить их классификацию.
- Ошибочные объекты - объекты с отрицательным отступом. На них данный алгоритм классификации дает ошибку
- Шумовые объекты (выбросы) - объекты с большим по модулю отрицательным отступом. Они плотно окружены объектами другого класса и возникают из-за ошибок или недостатка информации в исходных данных.
Применение отступов
Для отбора эталонных объектов
- Из обучающей выборки необходимо изъять шумовые объекты, так как их наличие только ухудшает классификацию
- Без снижения качества классификации из обучающей выборки можно изъять неинформативные объекты, что уменьшит объем хранимой информации и время на ее обработку
Для оценки качества выборки
- Если большая часть объектов обучающей выборки имеет положительные отступы, выборку можно считать разделимой
- Если в выборке много объектов с отрицательными отступами, гипотеза компактности классов не выполняется и применение метрических алгоритмов с данной метрикой для данной задачи классификации является нецелесообразным
- Если в выборке много объектов с отступами, близкими к нулю, классификация неустойчива
Литература
Воронцов К.В. Лекции по метрическим алгоритмам классификации.
