量化表示预测给定目标集中的班级分布的问题。它也代表了有监督机器学习领域的一个不断发展的研究领域，近年来，针对该领域提出了各种各样的算法。但是，尚无法提供支持算法选择的量化方法的全面经验比较。在这项工作中，我们通过对24种不同的量化方法进行全面的经验性能比较来缩小研究差距。为了考虑二进制和多类量化设置的各种不同场景，我们对40个数据集进行了将近300万次实验。我们观察到，没有哪一种算法能比所有竞争者都胜过其他算法，但要确定一组方法，包括中值扫描和DyS框架，它们在二进制设置中的性能要好得多。对于多类设置，我们观察到一组不同的算法产生了良好的性能，包括广义概率调整计数，自述方法，能量距离最小化方法，用于量化的EM算法和Friedman方法。更普遍地说，我们发现多类量化的性能不如在二元设置中获得的结果。我们的结果可以指导打算应用量化算法的从业人员，并帮助研究人员确定未来研究的机会。包括广义概率调整计数，自述文件方法，能量距离最小化方法，用于量化的EM算法和Friedman方法。更普遍地说，我们发现多类量化的性能不如在二元设置中获得的结果。我们的结果可以指导打算应用量化算法的从业人员，并帮助研究人员确定未来研究的机会。包括广义概率调整计数，自述文件方法，能量距离最小化方法，用于量化的EM算法和Friedman方法。更普遍地说，我们发现多类量化的性能不如在二元设置中获得的结果。我们的结果可以指导打算应用量化算法的从业人员，并帮助研究人员确定未来研究的机会。



"点击查看英文标题和摘要"