Boundary uncertainty-based classifier evaluation

• 資料種別: 博士論文
• タイトル: Boundary uncertainty-based classifier evaluation
• 著者・編者: ア, デイビッド
• 著者標目: ア, デイビッド
• 出版年月日等: 2019-09-20
• 出版年（W3CDTF）: 2019-09-20
• 並列タイトル等: 境界曖昧性に基づく分類器評価; キョウカイ アイマイセイ ニ モトズク ブンルイキ ヒョウカ
• 授与機関名: 同志社大学; Doshisha University
• 授与年月日: 2019-09-20
• 授与年月日（W3CDTF）: 2019-09-20
• 報告番号: 甲第1043号
• 学位: 博士(工学)
• 本文の言語コード: eng
• 件名標目: パターン分類; ベイズリスク; 分類器評価; 分類器選択; 分類境界; 境界曖昧性; Pattern classification; Bayes risk; Classifier evaluation; Classifier selection; Classification boundary; Boundary uncertainty
• 対象利用者: 一般
• 一般注記: 出版タイプ： VoR
• DOI: 10.14988/00001562; https://doi.org/10.14988/00001562
• 国立国会図書館永続的識別子: info:ndljp/pid/11551562; https://dl.ndl.go.jp/pid/11551562
• コレクション（共通）: 障害者向け資料
• コレクション（障害者向け資料：レベル1）: テキストデータ
• コレクション（個別）: 国立国会図書館デジタルコレクション > デジタル化資料 > 博士論文; https://dl.ndl.go.jp/collections/A00014
• 収集根拠: 博士論文（自動収集）
• 記録形式（IMT）: application/pdf
• オンライン閲覧公開範囲: 国立国会図書館内限定公開
• デジタル化資料送信: 図書館・個人送信対象外
• 遠隔複写可否（NDL）: 可
• 関連情報（URI）: https://ci.nii.ac.jp/ncid/BC02544595
• 掲載誌（URI）: https://doi.org/10.14988/00001562; https://doshisha.repo.nii.ac.jp/records/1570
• 別の記録形式（URI）: https://doors.doshisha.ac.jp/opac/opac_link/bibid/BB13128126/?lang=0
• 連携機関・データベース: 国立国会図書館 : 国立国会図書館デジタルコレクション; https://dl.ndl.go.jp

• 要約等: 種々の分類器を対象として，有限個の学習データのみが利用可能である現実においても理論的に的確で計算量的にも実際的な，分類器性能評価手法を提案する．分類器評価における難しさは，有限データのみの利用に起因する分類誤り推定に伴う偏りの発生にある．この困難を解決するため，「境界曖昧性」と呼ばれる新しい評価尺度を提案し，それを用いる評価法の有用性を，3種の分類器と13個のデータセットを用いた実験を通して実証する．; We propose a general method that makes accurate evaluation of any classifier model for realistic tasks, both in a theoretical sense despite the finiteness of the available data, and in a practical sense in terms of computation costs. The classifier evaluation challenge arises from the bias of the classification error estimate that is only based on finite data. We bypass this existing difficulty by proposing a new classifier evaluation measure called "boundary uncertainty'' whose estimate based on finite data can be considered a reliable representative of its expectation based on infinite data, and demonstrate the potential of our approach on three classifier models and thirteen datasets.
• DOI: 10.14988/00001562; https://doi.org/10.14988/00001562
• 記録形式（IMT）: application/pdf
• 一次資料へのリンクURL: 全文/fulltext （fulltext）; https://doshisha.repo.nii.ac.jp/record/1570/files/zk1043.pdf
• オンライン閲覧公開範囲: インターネット公開
• 関連情報（NCID）: BC02544595; https://ci.nii.ac.jp/ncid/BC02544595
• 別の記録形式: URI : 掲載刊行物所蔵情報へのリンク ／ Link to Contents; https://doors.doshisha.ac.jp/opac/opac_link/bibid/BB13128126/?lang=0
• 連携機関・データベース: 国立情報学研究所 : 学術機関リポジトリデータベース（IRDB）（機関リポジトリ）; https://irdb.nii.ac.jp
• 提供元機関・データベース: 同志社大学 : 同志社大学学術リポジトリ

目次

2023-04-26 再収集

2023-04-26 再収集