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
Venn predictors for well-calibrated probability estimation trees
Högskolan i Borås, Akademin för bibliotek, information, pedagogik och IT.
Högskolan i Borås, Akademin för bibliotek, information, pedagogik och IT.ORCID-id: 0000-0003-0274-9026
Högskolan i Borås, Akademin för bibliotek, information, pedagogik och IT.
Högskolan i Borås, Akademin för bibliotek, information, pedagogik och IT.
Visa övriga samt affilieringar
2018 (Engelska)Ingår i: 7th Symposium on Conformal and Probabilistic Prediction and Applications: COPA 2018, 11-13 June 2018, Maastricht, The Netherlands / [ed] Alex J. Gammerman and Vladimir Vovk and Zhiyuan Luo and Evgueni N. Smirnov and Ralf L. M. Peeter, 2018, s. 3-14Konferensbidrag, Publicerat paper (Refereegranskat)
Abstract [en]

Successful use of probabilistic classification requires well-calibrated probability estimates, i.e., the predicted class probabilities must correspond to the true probabilities. The standard solution is to employ an additional step, transforming the outputs from a classifier into probability estimates. In this paper, Venn predictors are compared to Platt scaling and isotonic regression, for the purpose of producing well-calibrated probabilistic predictions from decision trees. The empirical investigation, using 22 publicly available datasets, showed that the probability estimates from the Venn predictor were extremely well-calibrated. In fact, in a direct comparison using the accepted reliability metric, the Venn predictor estimates were the most exact on every data set.

Ort, förlag, år, upplaga, sidor
2018. s. 3-14
Serie
Proceedings of Machine Learning Research
Nyckelord [en]
Venn predictors, Calibration, Decision trees, Reliability
Nationell ämneskategori
Datavetenskap (datalogi)
Forskningsämne
Handel och IT
Identifikatorer
URN: urn:nbn:se:hb:diva-15061OAI: oai:DiVA.org:hb-15061DiVA, id: diva2:1245201
Konferens
7th Symposium on Conformal and Probabilistic Prediction and Applications, London, June 11th - 13th, 2018
Forskningsfinansiär
KK-stiftelsenTillgänglig från: 2018-09-04 Skapad: 2018-09-04 Senast uppdaterad: 2020-01-29Bibliografiskt granskad

Open Access i DiVA

Fulltext saknas i DiVA

Övriga länkar

http://proceedings.mlr.press/v91/johansson18a/johansson18a.pdf

Personposter BETA

Johansson, UlfLöfström, TuveSundell, HåkanLinnusson, HenrikGidenstam, AndersBoström, Henrik

Sök vidare i DiVA

Av författaren/redaktören
Johansson, UlfLöfström, TuveSundell, HåkanLinnusson, HenrikGidenstam, AndersBoström, Henrik
Av organisationen
Akademin för bibliotek, information, pedagogik och IT
Datavetenskap (datalogi)

Sök vidare utanför DiVA

GoogleGoogle Scholar

urn-nbn

Altmetricpoäng

urn-nbn
Totalt: 178 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