训练带有噪声标签的决策树的鲁棒损失函数
原文中文,约300字,阅读约需1分钟。发表于: 。使用含噪标记数据训练决策树,研究能够导致健壮学习算法的损失函数。首先,我们在决策树学习领域提供了有关许多现有损失函数健壮性的新理论见解。其次,我们介绍了一种构建健壮损失函数的框架,称为分布损失。最后,我们的多个数据集和噪声设置上的实验证实了我们的理论洞察力和自适应负指数损失的有效性。
研究人员提出了一种应对标签噪声引起的过拟合问题的方法,通过在训练过程中对经验风险施加一个下界来减轻过拟合问题。实验证明,使用这种方法可以提高分类器的鲁棒性,几乎没有额外的计算成本。