基于凸包的多目标遗传编程用于最大化ROC性能
摘要：ROC曲线通常用于分析数据挖掘中分类器的性能。ROC凸包（ROCCH）是经验ROC曲线的最小凸大凹（LCM），覆盖了给定的一组分类器的潜在最优解。一般来说，ROC性能最大化可以被认为是最大化ROCCH，这也意味着在ROC空间中最大化真正阳性率（tpr）并最小化假正性率（fpr）的每个分类器。然而，在ROCCH优化过程中，tpr和fpr彼此冲突。尽管ROCCH最大化问题看起来像是一个多目标优化问题（MOP），但其特殊性质使其与传统MOP不同。在这项工作中，我们将讨论它们之间的区别，并提出基于凸包的多目标遗传编程（CH-MOGP）来解决ROCCH最大化问题。基于凸包的排序是一种指标选择方案，旨在最大化凸包下的面积，它作为一组点的性能的一元指标。描述了一种可以高效实施的选择过程，并遵循与经典超体积优化算法相似的设计原则。我们假设，通过使用量身定制的指标选择方案，CH-MOGP对于ROC凸包逼近比计算所有Pareto最优点的算法更加高效。为了验证我们的假设，我们将新的CH-MOGP与具有经典选择方案的MOGP，包括NSGA-II、MOEA/D和SMS-EMOA进行比较。同时，还将CH-MOGP与传统的机器学习算法，如C4.5、朴素贝叶斯和PRIE进行比较。基于22个知名的UCI数据集的实验结果表明，CH-MOGP显著优于传统的EMOA算法。
作者：Pu Wang, Michael Emmerich, Rui Li, Ke Tang, Thomas Baeck and Xin Yao
论文ID：1303.3145
分类：Neural and Evolutionary Computing
分类简称：cs.NE
提交时间：2013-03-18