O wzbogacaniu metod klasyfikacji w zdolność do wyrażania wątpliwości w przypadkach trudnych do rozstrzygnięcia

• Autorzy: Michał Trzęsiok

Warianty tytułu

Providing Classification Methods with The Ability to Hesitate in Cases Difficult to Solve

• Języki publikacji: PL

Abstrakty

Podejmując decyzje, czasem wahamy się, ponieważ czujemy, że w danej sytuacji wskazanie nie jest jednoznaczne. Z analogiczną sytuacją mamy do czynienia w statystycznych metodach eksploracyjnych. Metoda wykorzystuje informacje zawarte w zbiorze uczącym, model zostaje zbudowany, a następnie wykorzystany do predykcji na nowych obserwacjach. Wydaje się jednak rozsądne oczekiwać, żeby metoda dawała przynajmniej ostrzeżenie, kiedy wynik predykcji jest niestabilny, w tym sensie, że jest wrażliwy na małe zmiany w wartościach zmiennych objaśniających. Głównym celem artykułu jest przedstawienie procedury wzbogacającej metody klasyfikacji w zdolność do wskazywania, czy klasyfikacja danego obiektu jest trudna do rozstrzygnięcia. Przedstawiona procedura wykorzystuje analizę wrażliwości i jest uniwersalna, tzn. może być stosowana z różnymi metodami klasyfikacji. Dodatkowym walorem procedury jest zaproponowana w niej metoda wizualizacji wyników przeprowadzonej analizy wrażliwości(abstrakt oryginalny)

EN

When making decision sometimes we hesitate, because we feel it can go both directions. The situation is similar in machine-learning tasks. We can use very sophisticated classification methods to support our decision-making process. The machine is learned, the model is built, but then it seems reasonable to expect the machine to give us at least a warning when the prediction is unstable (which means that it is sensitive to small changes in explanatory variables' values). The main goal of the article is to present a procedure for providing the machine with the ability to show hesitation, when it is justified. The proposed procedure is based on sensitivity analysis. We illustrate the procedure on a real-world data set using the Support Vector Machines, but the procedure is universal and it can be also used with other classification methods. The added value of the paper is also the proposed type of plot for visualizing the outcome of the sensitivity analysis(original abstract)

Słowa kluczowe

PL

Klasyfikacja; Analiza wrażliwości

EN

Classification; Sensitivity analysis

• Czasopismo: Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu. Taksonomia
• Rocznik: 2017
• Tom: 29
• Numer: nr 469 Klasyfikacja i analiza danych - teoria i zastosowania
• Strony: 217-224

Twórcy

autor

Michał Trzęsiok

• Uniwersytet Ekonomiczny w Katowicach

Bibliografia

• Bellman R.E., Kalaba R., Zadeh L.A., 1966, Abstraction and pattern classification, Journal of Mathematical Analysis and Applications, 13, s. 1-7.
• Hong D.H. i Choi C.-H., 2000, Multicriteria fuzzy decision-making problems based on vague set theory, Fuzzy Sets and Systems, 114(1), s. 103-113.
• Pawlak Z., 1982, Rough sets, International Journal of Computer and Information Sciences, 11, s. 341-356.
• Rand W.M., 1971, Objective criteria for the evaluation of clustering methods, Journal of the American Statistical Association, 66 (336), s. 846-850.
• Trzęsiok M., 2004, Analiza wybranych własności metody dyskryminacji wykorzystującej wektory noś-
• ne, [w:] Barczak A.S. (red.), Postępy ekonometrii, Wydawnictwo Akademii Ekonomicznej w Katowicach, Katowice, s. 331-342.
• Trzęsiok M., 2006, Metoda wektorów nośnych na tle innych metod wielowymiarowej analizy danych, [w:] Jajuga K., Walesiak M. (red.), Klasyfikacja i analiza danych - teoria i zastosowania, Taksonomia 13, Wydawnictwo Akademii Ekonomicznej we Wrocławiu, Wrocław, s. 536-542.
• Trzęsiok M., 2008, Empiryczna ocena wrażliwości metody wektorów nośnych na występowanie obiektów błędnie sklasyfikowanych w zbiorze uczącym, Studia Ekonomiczne, nr 50, s. 151-159.
• Trzęsiok M., 2009, Problem doboru zmiennych do modelu dyskryminacyjnego budowanego metodą wektorów nośnych, Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu, nr 47, Taksonomia 16, s. 214-222.
• Vapnik V., 1998, Statistical Learning Theory, John Wiley & Sons, N.Y.

Identyfikatory

DOI

10.15611/pn.2017.469.22