置信度分数：一种新的核度量

在广泛的应用中，核度量被用于调优超参数、在候选核之间进行选择，以及评估核对于特定学习任务的适用性。在分类任务中，核度量被用于预测哪些核可能产生准确的核分类器。许多现有的核度量，例如与理想核的对齐度，被设计为奖励那些将同一类的所有样本都视为相似的核。尽管在许多情形下有效，但这一要求对分类而言是不必要的严格限制，因为类别可能表现出显著的内部结构。在本工作中，提出了一种新的核度量——"置信分数"（Confidence Score）。与理想核对齐度量不同，置信分数度量的是真实标签的某种编码与由核投影后的该真实标签之间的对齐程度，从而使那些保留类内结构的核能够获得高分。通过实验表明，与选定的其他核度量相比，置信分数在真实世界数据集和合成数据集上的多种核中，与分类准确率表现出更高的相关性。

中文由 AI 翻译，仅供参考，以原文为准。