Calibration évidentielle conjointe de classifieurs SVM binaires fondée sur la régression logistique
Overview & Synopsis
Dans le cadre de la combinaison de classifieurs, une étape de calibration, fondée sur la régression logistique, est généralement utilisée pour transformer indépendamment chaque sortie de classifieur en distribution de probabilité pour ensuite les combiner. Afin de mieux gérer les incertitudes cette calibration a récemment été redéfinie dans le cadre des fonctions de croyance. Dans cet article, nous proposons de calibrer conjointement les classifieurs en utilisant la régression logistique multiple, et d'étendre cette approche au cadre des fonctions de croyance. Notre approche évidentielle est testée sur des données simulées et réelles avec des classifieurs SVM binaires, et présente plusieurs avantages par rapport à sa version probabiliste et par rapport à l'approche évidentielle calibrant indépendamment chaque classifieur.
hal.science)
← / → for pages • + / - for zoom • 0 to fit width
Powered by Mozilla PDF.js v3.11
Document Information
| Document Title | Calibration évidentielle conjointe de classifieurs SVM binaires fondée sur la régression logistique |
|---|---|
| Author / Organization | Pauline Minary, Frédéric Pichon, David Mercier, Éric Lefèvre, Benjamin Droit |
| Subject & Discipline | Multidisciplinary Academic Open Research |
| Categories | Science & Mathematics |
| Publication Year | 2017 |
| License / Rights | Open Access / Creative Commons |
| Resource Verification | Listed PDF (Verification Pending) |
| Original Host Website |
HAL Open Science
(hal.science)
|
| File Format | application/pdf (Portable Document Format) |
| Language | EN |
| Catalog ID | DOC-166623 |
| Original Source Link | Visit Source Page on hal.science » |