Экстремальная бинарная классификация: Теория экстремальных значений для экстремального ограничения ложного отрицательного

arXiv: 2610,09984v1 Annualce Type: New Humber Abstract: Хотя бинарная классификация является одной из наиболее широко изученных проблем в машинном обучении, режим, при котором цель заключается в том, чтобы выучить классификатора с почти нулевой ложной отрицательной скоростью, остается практически неизученным. В настоящем документе мы введем проблему классификации экзотичного бинария, цель которой заключается в том, чтобы выучить классификатора, чья ложная отрицательная ставка $\alpha$ ограничена $epsilon_ {N_1}= o_[N_ 1 _inty}(1/N_1), при этом $n_1 долл. обозначает количество положительных примеров в наборе учебных программ. Для решения этой проблемы мы предлагаем пороговый адаптационный метод, теоретически основанный на гарантиях, вытекающих из теории экстремальных значений, а также процедуру отбора характеристик, основанную на тесте на перемотировке, применяемом для максимального значения выборки. Экспериментальные результаты по четырем реальным наборам данных различного размера свидетельствуют о том, что наш подход положительно сравнивается с современными методами. Кроме того, мы иллюстрируем его интерпретацию с помощью прикладного средства