Chức năng khách quan để phân loại đa nhãn

Hàm mục tiêu thông thường cho phân loại nhiều nhãn (ví dụ nhãn M) là entropy chéo nhị phân. Vấn đề là, nếu chúng ta sử dụng entropy nhị phân chéo, chúng ta giả định rằng các nhãn đầu ra độc lập với nhau, chuyển vấn đề sang các vấn đề phân loại nhị phân độc lập M. Có chức năng mục tiêu phù hợp nào làm cho các nhãn đầu ra bị phụ thuộc lẫn nhau không?

machine-learning

— kim tự tháp
nguồn

Tôi đoán ý tưởng chính về toàn bộ khái niệm là quá trình ngẫu nhiên i.i.d.

— Truyền thông

Mục tiêu đó sẽ là một mục tiêu thú vị để thử, tôi không nhận ra bất kỳ! Đồng thời, bạn nghĩ người ta có thể tận dụng lợi thế như thế nào? Tên miền (mục tiêu) của bạn là gì mà bạn chắc chắn các nhãn này phụ thuộc? Lấy bộ dữ liệu đa nhãn CelebA ( mmlab.ie.cuhk.edu.hk/projects/CelebA.html ), một số nhãn có thể được coi là Phụ nữ / Son môi / v.v., nhưng có những nhãn khác không được hưởng lợi được độc lập

— TwinPenguins

@MajidMortazavi Cảm ơn thời gian và sự cân nhắc. Ứng dụng này là mã hóa y tế. Ưu điểm là các bệnh khác nhau có điểm chung. Cảm ơn đã giới thiệu một bộ dữ liệu mới cho tôi.

— pythinker

Nếu đó là một mạng thần kinh thì tất cả việc phân loại được thực hiện cùng nhau cho đến lớp cuối cùng nơi chúng được phân tách bằng cách sử dụng entropy chéo nhị phân. Sự hiểu biết của tôi là trong các mạng thần kinh như nhận dạng hình ảnh, nhận dạng được kết nối trên tất cả các lớp trước trừ lớp cuối cùng. Vì vậy, đối với các mạng thần kinh, lớp cuối cùng dự đoán riêng biệt từng loại.

— keiv.fly

Những gì bạn đang tìm kiếm được gọi là "phân loại nhạy cảm với chi phí". Tuy nhiên, hầu hết các phương pháp không hoạt động với sự tương đồng về nhãn, mà thay vào đó là các hình phạt tương đối cho các loại phân loại sai khác nhau.

— anymous.asker
nguồn