신뢰할 수 있는 AUC 추정을 위한 공간 leave-pair-out 교차 검증 방법

초록 기계 학습 기반 분류 방법은 광물 탐사 가능성 맵을 포함한 지구 과학 응용 프로그램에서 널리 사용됩니다. 양성 사례가 적고, 클래스 분포가 불균형하며, 검증된 음성 사례가 부족한 데이터의 일반적인 특성은 ROC 분석 및 교차 검증을 분류기 평가의 자연스러운 선택으로 만듭니다. 그러나 최근 문헌에서는 공간 데이터에서 교차 검증을 통한 ROC 곡선 아래 면적 추정의 신뢰성에 영향을 미칠 수 있는 두 가지 편향의 원인이 확인되었습니다. leave-one-out과 같은 방법에 의해 수행되는 풀링 절차는 결과에 상당한 음의 편향을 도입할 수 있습니다. 동시에 공간적 자기 상관으로 이어지는 공간 종속성은 수정되지 않으면 지나치게 낙관적인 결과를 초래할 수 있습니다. 본 연구에서는 이러한 두 가지 편향을 동시에 수정하는 공간 leave-pair-out 교차 검증 방법을 소개합니다. 이 방법론은 중앙 랩란드 초록돌 벨트의 광물 탐사 가능성 맵 데이터에서 여러 분류 방법을 벤치마킹하는 데 사용됩니다. 평가는 공간 데이터에서 잘못된 결과를 얻는 위험을 강조하고 이러한 문제를 피할 수 있는 방법을 보여줍니다. 또한 결과는 이 분류 작업에 대한 간단한 선형 모델의 장점을 보여줍니다.