MORD: Multi-class Classifier for Ordinal Regression
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F13%3A00211706" target="_blank" >RIV/68407700:21230/13:00211706 - isvavai.cz</a>
Výsledek na webu
<a href="http://cmp.felk.cvut.cz/pub/cmp/articles/antoniuk/Antoniuk-Franc-Hlavac-ECML-2013.pdf" target="_blank" >http://cmp.felk.cvut.cz/pub/cmp/articles/antoniuk/Antoniuk-Franc-Hlavac-ECML-2013.pdf</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1007/978-3-642-40994-3_7" target="_blank" >10.1007/978-3-642-40994-3_7</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
MORD: Multi-class Classifier for Ordinal Regression
Popis výsledku v původním jazyce
We show that classification rules used in ordinal regression are equivalent to a certain class of linear multi-class classifiers. This observation not only allows to design new learning algorithms for ordinal regression using existing methods for multi-class classification but it also allows to derive new models for ordinal regression. For example, one can convert learning of ordinal classifier with (almost) arbitrary loss function to a convex unconstrained risk minimization problem for which many efficient solvers exist. The established equivalence also allows to increase discriminative power of the ordinal classifier without need to use kernels by introducing a piece-wise ordinal classifier. We demonstrate advantages of the proposed models on standard benchmarks as well as in solving a real-life problem. In particular, we show that the proposed piece-wise ordinal classifier applied to visual age estimation outperforms other standard prediction models.
Název v anglickém jazyce
MORD: Multi-class Classifier for Ordinal Regression
Popis výsledku anglicky
We show that classification rules used in ordinal regression are equivalent to a certain class of linear multi-class classifiers. This observation not only allows to design new learning algorithms for ordinal regression using existing methods for multi-class classification but it also allows to derive new models for ordinal regression. For example, one can convert learning of ordinal classifier with (almost) arbitrary loss function to a convex unconstrained risk minimization problem for which many efficient solvers exist. The established equivalence also allows to increase discriminative power of the ordinal classifier without need to use kernels by introducing a piece-wise ordinal classifier. We demonstrate advantages of the proposed models on standard benchmarks as well as in solving a real-life problem. In particular, we show that the proposed piece-wise ordinal classifier applied to visual age estimation outperforms other standard prediction models.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
JD - Využití počítačů, robotika a její aplikace
OECD FORD obor
—
Návaznosti výsledku
Projekt
Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)<br>S - Specificky vyzkum na vysokych skolach
Ostatní
Rok uplatnění
2013
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
Machine Learning and Knowledge Discovery in Databases
ISBN
978-3-642-40993-6
ISSN
0302-9743
e-ISSN
—
Počet stran výsledku
16
Strana od-do
96-111
Název nakladatele
Springer-Verlag, GmbH
Místo vydání
Heidelberg
Místo konání akce
Prague
Datum konání akce
23. 9. 2013
Typ akce podle státní příslušnosti
EUR - Evropská akce
Kód UT WoS článku
—