Presná definícia
Čo znamená učenie z pozitívnych a neoznačených dát?
Učenie z pozitívnych a neoznačených dát rieši binárnu klasifikáciu, keď sú spoľahlivo známe iba niektoré pozitíva a zvyšok obsahuje neznámy mix pozitívnych aj negatívnych prípadov. Neoznačená množina preto nesmie byť automaticky považovaná za negatívnu. Metódy odhadujú sklon k označeniu, podiel tried alebo riziko tak, aby korigovali výberové skreslenie pozitívnych štítkov.
Skúsenosť a kontext
Ako sa pojem používa v praxi
Pri hľadaní chýb sú známe potvrdené poruchy, no väčšina nepreskúmaných záznamov nie je potvrdeným „bez chyby“. Tím najprv zistí, ako sa prípady dostávajú medzi označené pozitíva, a či je pravdepodobnosť označenia v rámci pozitív približne náhodná. Model sa porovná s naivným negatívnym označením, kalibruje sa a vyhodnocuje na osobitne skontrolovanej vzorke. Ak sa označujú najmä nápadné poruchy, treba explicitne modelovať selekciu.
Overiteľnosť
Odborné zdroje
Praktické odpovede
Často kladené otázky
Kde sú negatívne príklady?
Sú skryté v neoznačenej množine spolu s neobjavenými pozitívami.
Prečo nie je vhodné označiť všetko ostatné ako negatívne?
Vytvorilo by to falošné negatíva a skreslený model.
Čo znamená predpoklad SCAR?
Označené pozitíva sú z pozitívnej triedy vybrané približne náhodne.
Prečo treba odhad triedneho podielu?
Pomáha previesť pozorované označenia na riziko pre skutočné triedy.
Ako získať spoľahlivú metriku?
Náhodne overiť časť pozitívnych aj pôvodne neoznačených prípadov.