コストのかかるデータでの学習: クラス分布の影響

• 実世界の学習問題では、トレーニングデータのコストが課題となる。
• 本研究では、限られたトレーニングデータにおけるクラス分布の最適化を提案。
• ROC曲線に基づく評価でバランスの取れた分布が有効であることを示す。

トレーニングデータの取得にはコストがかかるため、限られたデータでの学習が求められます。本論文では、トレーニングデータのクラス分布が分類木の性能に与える影響を分析し、最適な分布を見つける手法を提案しています。特に、ROC曲線を用いた評価においてバランスの取れた分布が良好な結果をもたらすことが示されています。機械学習の実務に関心がある研究者やエンジニアにとって興味深い内容です。

機械学習の実務に携わる研究者やエンジニアに向いています。