多类概率估计是估计属于类协变量信息的数据点的条件概率的问题。它在统计分析和数据科学中有广泛的应用。最近,已经开发了一类加权支持矢量机(WSVM),以通过$ k $ class问题的合奏学习来估计类概率(Wu,Zhang and Liu,2010; Wang,Zhang和Wu,2019年),其中$ K $是类的数量。估计器具有强大的概率估计,并实现了高精度,但是它们的学习是通过成对耦合实施的,这需要$ k $中的多项式时间。在本文中,我们提出了两种新的学习方案,即基线学习和一vs-all(OVA)学习,以进一步提高计算效率和估计准确性的WSVM。特别是,基线学习具有最佳的计算复杂性,因为它在$ k $中是线性的。尽管在计算方面不是最有效的,但OVA在比较的所有程序中提供了最佳的估计准确性。最终的估计器是无分布的,并且显示出一致的。我们进一步进行广泛的数值实验以证明有限的样本性能。
translated by 谷歌翻译