An exact approach to maximize area under receiver operator characteristic curve for multi-instance learning

Abstract

Bu çalışmanın amacı çoklu örnek sınıflandırma problemini Alıcı İşletim Karakteristiği(ROC) eğrisi altındaki alanı (yani, AUC) doğrudan maksimize ederek çözmektir. Çokörnekli sınıflandırma için mümkün olan en iyi hiperdüzlem tabanlı sınıflandırıcıyıüreten karma bir tamsayı doğrusal programlama modeli türetilmiştir. Çalışmamız,kıyaslama örnekleri için çapraz doğrulama (CV) sonuçlarını yansıtan hiperdüze tabanlıyaklaşımların potansiyeline ışık tutmaktadır. Doğrudan AUC'yi en üst düzeyeçıkardıkça, hiperdüze tabanlı bir sınıflandırıcı sadece şans eseri bu yazıda sunulanlardandaha iyi bir CV doğruluğu sağlayabilir. Son olarak, AUC'yi maksimize edendoğrusal olmayan sınıflandırıcılar üretmek için çekirdek püf noktasının nasıl uygulanabileceğinisunuyoruz.

The purpose of this study is to solve the multi-instance classification problem bydirectly maximizing the area under Receiver Operating Characteristic (ROC) curve(i.e., AUC). We derive a mixed integer linear programming model that producesthe best possible hyperplane-based classifier for multi-instance classification. Ourstudy sheds a light on the potential of hyperplane-based approaches, reflecting crossvalidation (CV) results for benchmark instances. As we maximize AUC directly, ahyperplane-based classifier can only coincidentally provide a better CV accuracy thanthose presented in this paper. Finally, we present how Kernel trick can be applied toproduce nonlinear classifiers that maximize AUC.