Ändra sökning
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • harvard-cite-them-right
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
Classification With Reject Option Using Conformal Prediction
Högskolan i Borås, Akademin för bibliotek, information, pedagogik och IT.
Dept. of Computer Science and Informatics, Jönköping University.
School of Electrical Engineering and Computer Science, Royal Institute of Technology.
Dept. of Computer Science and Informatics, Jönköping University.
2018 (Engelska)Konferensbidrag, Publicerat paper (Refereegranskat)
Abstract [en]

In this paper, we propose a practically useful means of interpreting the predictions produced by a conformal classifier. The proposed interpretation leads to a classifier with a reject option, that allows the user to limit the number of erroneous predictions made on the test set, without any need to reveal the true labels of the test objects. The method described in this paper works by estimating the cumulative error count on a set of predictions provided by a conformal classifier, ordered by their confidence. Given a test set and a user-specified parameter k, the proposed classification procedure outputs the largest possible amount of predictions containing on average at most k errors, while refusing to make predictions for test objects where it is too uncertain. We conduct an empirical evaluation using benchmark datasets, and show that we are able to provide accurate estimates for the error rate on the test set.

Ort, förlag, år, upplaga, sidor
Cham, 2018.
Nationell ämneskategori
Datavetenskap (datalogi)
Identifikatorer
URN: urn:nbn:se:hb:diva-15265OAI: oai:DiVA.org:hb-15265DiVA, id: diva2:1259677
Konferens
Pacific-Asia Conference of Knowledge Discovery and Data Mining, Melbourne, Australia, May 15-18, 2018
Projekt
DASTARD
Forskningsfinansiär
KK-stiftelsen, 20150185Tillgänglig från: 2018-10-30 Skapad: 2018-10-30 Senast uppdaterad: 2018-11-16Bibliografiskt granskad

Open Access i DiVA

fulltext(299 kB)120 nedladdningar
Filinformation
Filnamn FULLTEXT01.pdfFilstorlek 299 kBChecksumma SHA-512
577a78a00d4c0206e5bea36fed4becbed501242cdf7f80ad65bff97a2be4a31ed65883c039966e243683d86f1af41b8f5b5387ce81c7cb7681f3911ad73e6a14
Typ fulltextMimetyp application/pdf

Personposter BETA

Linnusson, Henrik

Sök vidare i DiVA

Av författaren/redaktören
Linnusson, Henrik
Av organisationen
Akademin för bibliotek, information, pedagogik och IT
Datavetenskap (datalogi)

Sök vidare utanför DiVA

GoogleGoogle Scholar
Totalt: 120 nedladdningar
Antalet nedladdningar är summan av nedladdningar för alla fulltexter. Det kan inkludera t.ex tidigare versioner som nu inte längre är tillgängliga.

urn-nbn

Altmetricpoäng

urn-nbn
Totalt: 66 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • harvard-cite-them-right
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf