Hyppää sisältöön
    • FI
    • ENG
  • FI
  • /
  • EN
OuluREPO – Oulun yliopiston julkaisuarkisto / University of Oulu repository
Näytä viite 
  •   OuluREPO etusivu
  • Oulun yliopisto
  • Avoin saatavuus
  • Näytä viite
  •   OuluREPO etusivu
  • Oulun yliopisto
  • Avoin saatavuus
  • Näytä viite
JavaScript is disabled for your browser. Some features of this site may not work without it.

Better classifier calibration for small datasets

Alasalmi, Tuomo; Suutala, Jaakko; Röning, Juha; Koskimäki, Heli (2020-05-01)

 
Avaa tiedosto
nbnfi-fe2020052739290.pdf (584.4Kt)
nbnfi-fe2020052739290_meta.xml (34.32Kt)
nbnfi-fe2020052739290_solr.xml (29.85Kt)
Lataukset: 

URL:
https://doi.org/10.1145/3385656

Alasalmi, Tuomo
Suutala, Jaakko
Röning, Juha
Koskimäki, Heli
Association for Computing Machinery
01.05.2020

Alasalmi Tuomo, Jaakko Suutala, Juha Röning, and Heli Koskimäki. 2020. Better Classifier Calibration for Small Datasets. ACM Trans. Knowl. Discov. Data 14, 3, Article 34 (May 2020), 19 pages. DOI:https://doi.org/10.1145/3385656

https://rightsstatements.org/vocab/InC/1.0/
© 2020 Association for Computing Machinery. This is the author's version of the work. It is posted here for your personal use. Not for redistribution. The definitive Version of Record was published in ACM Transactions on Knowledge Discovery from Data, https://doi.org/10.1145/3385656.
https://rightsstatements.org/vocab/InC/1.0/
doi:https://doi.org/10.1145/3385656
Näytä kaikki kuvailutiedot
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi-fe2020052739290
Tiivistelmä

Abstract

Classifier calibration does not always go hand in hand with the classifier’s ability to separate the classes. There are applications where good classifier calibration, i.e., the ability to produce accurate probability estimates, is more important than class separation. When the amount of data for training is limited, the traditional approach to improve calibration starts to crumble. In this article, we show how generating more data for calibration is able to improve calibration algorithm performance in many cases where a classifier is not naturally producing well-calibrated outputs and the traditional approach fails. The proposed approach adds computational cost but considering that the main use case is with small datasets this extra computational cost stays insignificant and is comparable to other methods in prediction time. From the tested classifiers, the largest improvement was detected with the random forest and naive Bayes classifiers. Therefore, the proposed approach can be recommended at least for those classifiers when the amount of data available for training is limited and good calibration is essential.

Kokoelmat
  • Avoin saatavuus [38320]
oulurepo@oulu.fiOulun yliopiston kirjastoOuluCRISLaturiMuuntaja
SaavutettavuusselosteTietosuojailmoitusYlläpidon kirjautuminen
 

Selaa kokoelmaa

NimekkeetTekijätJulkaisuajatAsiasanatUusimmatSivukartta

Omat tiedot

Kirjaudu sisäänRekisteröidy
oulurepo@oulu.fiOulun yliopiston kirjastoOuluCRISLaturiMuuntaja
SaavutettavuusselosteTietosuojailmoitusYlläpidon kirjautuminen