機械学習の階層分類トップダウンアプローチ

Question

私は、階層からのラベルで注釈が付けられた文のデータセットを持っています。階層は音楽ジャンルの選択です。これはツリーであり、DAGではなく、各ノードには親と親がそれぞれ1つしかありません。ここでは一例として、抽出物である：例えば、文Mozart is the bestについては

root = music 
    parent = latin 
      child = afro-cuban 
        child = salsa 
      child = brazilian 
        child = axe 
    parent = non-latin 
      child = classical 
    ... 

、収集された注釈から、大半がこの文章や地面の真実のためのクラスラベルがclassicalであることに同意します。階層から、我々はclassicalもという形式のnon-latin音楽の形式であることを知っています。一方、i prefer salsaはlatinと注釈されている可能性があります。

分類の面では、クラス階層を完全に無視しているため、直感的に問題を解決することはできません。また、Wekaを使用している間に、結果が低くなります。また、複数の分類器の問題に直面しているため、分類器が選択されています。

私の問題は、階層分類がどのように実装されているか、非常にあいまいな文献やオンライン記事を読んだことです。私はWekaとPythonを使いたいです。しかし、私はちょうどこの状況で階層的な分類を実行する方法を明確にしたかっただけです。だから私の質問は：

1）これを回避するための最善の提案は何ですか？トップダウンアプローチを実施するのが最善の選択肢でしょうか？これを行うと、各レベルで誤って分類されてしまうという問題を避けるにはどうすればよいですか？すなわち、レベル1でlatin、レベル2でclassicalと予測できます。バイナリクラシファイアはどうですか？私は提案に開放されています。

2）トレーニングデータとテストデータはどのようにして入力されますか？

3）どのように分類性能を評価できますか？特にトップダウンのアプローチでは、各レベルごとに評価が行われるため、

Answer 1

私はあなたの問題を完全に理解しているとは確信していませんが、私が理解したところではDecision tree、またはRandom Forestのような最も高度なアルゴリズムが良い選択です。 "is"、 "I"、 "the"などの不要な単語を削除するためのNLPテクニックを使用してください（おそらく、それをより深く確認する必要があります）。

2番目の質問については、おそらく機械学習についてのいくつかを読むべきです。まずはAndrew Ng course on Courseraをお勧めします。しかし、あなたの質問のために、訓練はあなたが訓練することを選んだデータの一部であり、テストデータはあなたのアルゴリズムの性能を評価するものです。これはまた、あなたの3番目の質問に答える必要があります

Answer 2

このsurvey articleは、階層分類のためのさまざまな戦略を説明してくれてうれしいです。

あなたが与えたlatin->古典的な例のように、各サブクラスファイターを訓練するために使用される訓練データを制御することによって、矛盾した予測を防ぐことができます。たとえば、トレーニング用にすべてのデータを使用して、ラテンと非ラテンを区別するバイナリクラシファイアを最初にトレーニングします。これらの2つのクラスの例のみをトレーニングデータとして使用して、アフリカ - キューバンとブラジルの間を区別するためにクラシファイアをトレーニングします。推測時に、latin/non-latinクラシファイアが 'latin'を予測する場合にのみ、非表示の例をafro-cuban/barzilian分類器に渡します。