【數(shù)據(jù)競(jìng)賽】kaggle競(jìng)賽寶典-多分類(lèi)相關(guān)指標(biāo)優(yōu)化?
賽題理解，分析，規(guī)劃之多分類(lèi)相關(guān)指標(biāo)優(yōu)化
這是一個(gè)系列篇，后續(xù)我們會(huì)按照我們第一章中的框架進(jìn)行更新，因?yàn)榇蠹移綍r(shí)都較忙，不會(huì)定期更新，如有興趣歡迎長(zhǎng)期關(guān)注我們的公眾號(hào)，如有任何建議可以在評(píng)論區(qū)留言。
1. kaggle競(jìng)賽寶典-競(jìng)賽框架篇！
2.1 賽題理解，分析，規(guī)劃之賽題理解與分析上半篇!
2.2 kaggle競(jìng)賽寶典-回歸相關(guān)指標(biāo)優(yōu)化!
2.3 kaggle競(jìng)賽寶典-二分類(lèi)相關(guān)指標(biāo)優(yōu)化
4.1 kaggle競(jìng)賽寶典-樣本篩選篇！
4.2 kaggle競(jìng)賽寶典-樣本組織篇！
1. categorization accuracy
1.1 定義
其中，為測(cè)試樣本的個(gè)數(shù)，為第個(gè)樣本的標(biāo)簽，為預(yù)測(cè)的第個(gè)樣本的類(lèi)別。
1.2 案例
What's Cooking? Anomaly Detection Challenges 2015 - Challenge 2 Ghouls, Goblins, and Ghosts... Boo! Cdiscount’s Image Classification Challenge Sentiment Analysis on Movie Reviews
1.3 求解
使用multiclass第對(duì)應(yīng)的損失函數(shù)，
表示第個(gè)樣本標(biāo)簽為的情況，如果標(biāo)簽為則是1，反之為0。則是模型預(yù)測(cè)樣本屬于第的概率。
2. MultiLogloss
2.1 定義
其中，為測(cè)試樣本的個(gè)數(shù)，為類(lèi)標(biāo)簽的個(gè)數(shù)。
2.2 案例
San Francisco Crime Classification Telstra Network Disruptions TalkingData Mobile User Demographics Walmart Recruiting: Trip Type Classification Shelter Animal Outcomes The Nature Conservancy Fisheries Monitoring Two Sigma Connect: Rental Listing Inquiries Personalized Medicine: Redefining Cancer Treatment
2.3 求解
針對(duì)準(zhǔn)確率問(wèn)題，目前常采用的損失函數(shù)為multiclasslogloss ，其數(shù)學(xué)形式如下：
直接進(jìn)行優(yōu)化即可。
3. MAP(Mean Average Precision )
3.1 定義
其中為用戶(hù)的個(gè)數(shù)，為在截止點(diǎn)處的精度(Precision)，是預(yù)測(cè)物品的數(shù)量，是給定用戶(hù)購(gòu)買(mǎi)物品的數(shù)量。如果，則精度定義為0。
3.2 案例
Coupon Purchase Prediction Facebook V: Predicting Check Ins
3.3 求解
使用sigmoid_cross_entropy，注意與其它常用的多分類(lèi)損失函數(shù)的區(qū)別。
4. Mean F1
4.1 定義
4.2 案例
Transfer Learning on Stack Exchange Tags
4.3 求解
Top5有一名開(kāi)源的選手選用的是Mean square Loss進(jìn)行的優(yōu)化.
5. Average Jaccard Index
5.1 定義
兩個(gè)區(qū)域和的Jaccard Index可以表示為：
其中TP表示True positive的面積，F(xiàn)P表示false positive的面積，F(xiàn)N表示false negative的面積。
5.2 案例
Dstl Satellite Imagery Feature Detection
5.3 求解
基于Sigmoid的損失函數(shù)。
參考文章
損失函數(shù)softmax_cross_entropy、binary_cross_entropy、sigmoid_cross_entropy之間的區(qū)別與聯(lián)系：https://blog.csdn.net/sjyttkl/article/details/103958639 https://github.com/nagadomi/kaggle-coupon-purchase-prediction https://github.com/viig99/stackexchange-transfer-learning https://deepsense.io/deep-learning-for-satellite-imagery-via-image-segmentation/ https://arxiv.org/pdf/1505.04597.pdf https://github.com/toshi-k/kaggle-satellite-imagery-feature-detection
往期精彩回顧
本站qq群704220115，加入微信群請(qǐng)掃碼：