Função objetiva para classificação de vários rótulos

A função objetivo usual para a classificação de rótulos múltiplos (por exemplo, rótulos M) é a entropia cruzada binária. O problema é que, se usamos entropia cruzada binária, estamos assumindo que os rótulos de saída são independentes um do outro, transformando o problema em M problemas de classificação binária independentes. Existe alguma função objetiva adequada que torne os rótulos de saída dependentes um do outro?

machine-learning

— pensador
fonte

Eu acho que a idéia principal sobre todo o conceito é que são processos aleatórios i.i.d.

— Media

Esse objetivo seria um objetivo interessante de tentar, não conheço nenhum! Ao mesmo tempo, como você acha que alguém pode tirar proveito? Qual é o seu domínio (destino) que você tem certeza de que esses rótulos dependem? Pegue o conjunto de dados com várias etiquetas da CelebA ( mmlab.ie.cuhk.edu.hk/projects/CelebA.html ), alguns rótulos podem ser considerados dependentes de Feminino / Batom / etc., Mas existem outros que não são, nos quais alguém poderia se beneficiar deles para ser independente.

— TwinPenguins

@MajidMortazavi Obrigado por tempo e consideração. A aplicação é codificação médica. A vantagem é que diferentes doenças têm algo em comum. Obrigado por me apresentar um novo conjunto de dados.

— Pythinker 12/08/18

Se é uma rede neural, toda a classificação é feita em conjunto até a última camada em que são separadas usando entropia cruzada binária. Meu entendimento é que em redes neurais, como no reconhecimento de imagens, o reconhecimento está conectado em todas as camadas anteriores, exceto a última. Portanto, para redes neurais, não é grande coisa que a última camada preveja separadamente todas as categorias.

— keiv.fly

O que você procura é chamado de "classificação sensível a custos". A maioria dos métodos, no entanto, não funciona com similaridades de rótulo, mas com penalidades relativas para diferentes tipos de erros de classificação.

— anymous.asker
fonte