检索结果-内蒙古大学图书馆

作者：黄占鳌四川大学

学位级别：博士

近年来,神经网络因其优秀的数据拟合能力受到了广泛的关注。然而,神经网络的优化算法通常隐含了数据是平衡的先验假设。当数据变得不平衡时,这个假设条件将被打破,引起神经网络出现学习偏差问题。已有神经网络方法处理数据不平衡问题时... 详细信息

近年来,神经网络因其优秀的数据拟合能力受到了广泛的关注。然而,神经网络的优化算法通常隐含了数据是平衡的先验假设。当数据变得不平衡时,这个假设条件将被打破,引起神经网络出现学习偏差问题。已有神经网络方法处理数据不平衡问题时大都聚焦于重采样或重加权的技术手段,通过对已知数据进行再平衡处理来满足神经网络优化算法的先验假设。这种做法通常忽略了数据不平衡问题的本质,即正类样本数量稀少所引起的已知数据经验表示不充分问题。在神经网络分类不平衡数据中,经验表示不充分问题将导致神经网络学习过程中的梯度旋转和缩放尺度无法确定,该问题使得已有重采样或重加权方法无法很好地匹配神经网络的优化算法运行特性。此外,在神经网络学习过程中,其存在的紧致性表达问题亦很难适用于处理经验表示不充分问题。因此,本文提出研究不平衡数据分类的神经网络方法,探索不平衡数据条件下神经网络的解决方案以达到提升神经网络扩展性及实用性的目的。主要贡献如下:(1)从优化算法原理上,针对不平衡数据条件下已有重采样或重加权方法因正类经验表示不充分造成的梯度旋转和缩放尺度不确定问题,提出了一种梯度旋转可控分类不平衡数据的神经网络方法。具体而言,在分类过程中,梯度缩放问题可通过约束正负类梯度为单位梯度来解决。单位梯度约束能够使得神经网络恢复在不平衡数据条件下的工作能力。进一步,为解决梯度旋转不确定性问题,提出了一种梯度旋转可控的策略来约束正负类梯度的旋转方向,实现了神经网络在任意不平衡比例或任意数据分布上局部可控地扩展已知正类样本分布区域的功能。(2)从数据重采样上,针对已有欠采样策略和神经网络优化算法之间的无关联性问题,提出了一种偏好性欠采样分类不平衡数据的神经网络方法。具体而言,提出的偏好性欠采样方法包含神经网络欠采样及生成正类样本扩张分类边界两部分。其中,神经网络欠采样方法解决了不平衡数据条件下神经网络中存在的梯度淹没现象,生成正类样本扩张分类边界策略可实现已知正类样本分布区域的局部扩张。提出的方法建立起了神经网络中的负类样本欠采样策略与优化算法之间的匹配关联,实现了神经网络优化算法与欠采样策略的强耦合。(3)另一方面,针对已有过采样方法保持采样前后数据分布一致的要求无法从根本上解决因正类样本数量稀少带来的经验表示不充分问题,提出了过采样缺失正类样本分类不平衡数据的神经网络方法。具体而言,使用采样算法采样经验表示充分的负类样本,将采样过程中拒绝的样本收集起来作为候选缺失正类样本。为加速采样过程,设计了一个线分割状态转移核缩小候选状态空间。此外,针对因样本概率密度估计不准确导致的候选缺失正类样本的类别属性定义模糊问题,引入了类概率密度约束条件来提升采样的缺失正类样本质量。最后,针对神经网络的优化算法,提出了局部边界偏移与全局边界偏移两种策略来使用过采样出来的缺失正类样本。提出的过采样缺失正类样本方法打破了传统过采样方法采样前后数据分布一致的假设,实现了已知正类样本经验分布区域的有效扩充。(4)从优化算法学习策略上,针对已知交叉熵损失函数的直线型类别属性空间存在的紧致性表达问题,基于单分类范式扩展了一种平面型的不平衡数据类别属性空间。针对学习过程中存在的超球体坍塌,类间属性关系不明确以及紧致性表达等问题,提出了一种学习特定数据信息分类不平衡数据的神经网络方法。具体而言,基于超球体的单分类学习范式,利用神经网络将已知数据映射至不平衡数据类别属性空间中的两个非重叠正类和负类区域。同时,为减缓不平衡数据类别属性空间中负类区域中的紧致性表达损伤正类样本的辨识性能,提出了一种动态信息势能方法来尽可能地分散该区域中的负类样本。提出的方法从优化算法学习的角度提供了不平衡数据类别属性空间中的特定数据信息学习模式,实现了原始数据空间中非负类区域的有效收缩。(5)最后,在实际应用场景中,针对不平衡心电图信号分类的神经网络方法应用研究,基于可控梯度旋转思想衍生出了一种加权再平衡神经网络方法。具体而言,针对心电图信号中存在的相似性和差异性问题,设计了一种一维卷积神经网络用于自动提取可靠的心电图类别特征。针对心电图数据中存在的多类数据不平衡问题,提出了一种损失函数加权再平衡策略来平衡分类过程中的假正例和假负例预测失衡问题。提出的方法为心电图信号分类提供了一种自动化的算法方案,可将其作为临床辅助手段以减少临床诊断压力和误诊率。

关键词：神经网络不平衡数据分类不充分经验表示可控梯度旋转偏好性欠采样缺失正类过采样特定数据信息学习

来源：评论

学校读者我要写书评

暂无评论

不平衡数据分类研究综述

引用

计算机科学 2018年第B06期45卷 22-27,57页

作者：赵楠张小芳张利军西北工业大学计算机学院西安710000

在很多应用领域中,数据的类别分布不平衡,如何对其正确分类是数据挖掘和机器学习领域中的研究热点。经典的数据分类算法未考虑数据类别的不平衡性,认为类别之间的误分类代价相同,导致不平衡数据分类的效果不理想。针对数据分类的各个步... 详细信息

在很多应用领域中,数据的类别分布不平衡,如何对其正确分类是数据挖掘和机器学习领域中的研究热点。经典的数据分类算法未考虑数据类别的不平衡性,认为类别之间的误分类代价相同,导致不平衡数据分类的效果不理想。针对数据分类的各个步骤,相继提出了不同的不平衡数据分类处理方法。对多年来的相关研究成果进行归类分析,从特征选择、数据分布调整、分类算法、分类结果评估等几个方面系统地介绍了相关方法,并探讨了进一步的探索方向。

关键词：不平衡数据分类不平衡数据的特征选择不平衡分类评估数据分布调整不平衡数据分类算法

来源：评论

学校读者我要写书评

暂无评论

不平衡数据分类算法研究及应用

不平衡数据分类算法研究及应用

引用

作者：杨青重庆大学

学位级别：硕士

在实际生活中,许多领域都存在数据不平衡问题,而机器学习算法设计大多是基于均衡的数据,在处理不平衡问题时容易将少数类误分为多数类。数据不平衡问题使得机器学习算法在落地应用时与理论存在一定的差距,是机器学习进行实际应用时需要... 详细信息

在实际生活中,许多领域都存在数据不平衡问题,而机器学习算法设计大多是基于均衡的数据,在处理不平衡问题时容易将少数类误分为多数类。数据不平衡问题使得机器学习算法在落地应用时与理论存在一定的差距,是机器学习进行实际应用时需要解决的一大重要问题,学者们针对此问题做了许多研究,并取得了不少研究成果,但还存在一些问题,如类内不平衡、过度拟合少数类等。针对上述问题,本文进行了理论及应用研究,并将所提方法应用在配电网故障停电预测任务中。配电网在日常生活及社会发展中占据重要位置,其信息管理系统已累积了大量的数据,有效利用这些数据实现配电网馈线故障停电预警,从而提前进行运维检修,对提高配电网供电可靠性,保障用户的用电质量有着重要意义。本文具体研究工作如下:在数据预处理层面,大多数文献都未涉及类内不平衡问题的研究,将其统一归类为类间不平衡问题,忽略了类内不平衡对模型性能的影响。因此本文提出了基于聚类的生成对抗神经网络(K-Means-GAN)数据生成方法,平衡少数类样本分布的同时,在一定程度上也降低了数据集整体的不平衡度。在算法层面,学者们常将代价敏感结合其它算法用于不平衡数据分类。代价敏感算法以分类错误总代价为全局优化目标,通过加大少数类的误分类代价提高少数类的召回率,却忽略了少数类的精确率,使得模型过度拟合少数类,将大量多数类样本误分为少数类,造成大量误报。因此本文提出了基于随机代价敏感的卷积神经网络(Random Cost-CNN)分类算法,结合代价敏感思想并引入随机理论,缓解模型过度拟合少数类的问题,提高了模型的泛化性。最后,应用本文所提方法进行应用研究。基于实际生产环境中的配电网故障停电及其相关数据,建立配电网10k V馈线故障停电预警模型,可为电网人员提供辅助决策支撑,及时进行运维检修,提高供电可靠性,对促进国民经济稳定发展、保障用户的用电质量及提升全社会满意度有着重要意义。另外,本文从数据驱动的角度入手,开展配电网数据前期的探索研究,为未来高效合理利用电网数据,进一步挖掘数据价值打下坚实的基础。

关键词：不平衡数据分类类内不平衡 K-Means-GAN RandomCost-CNN 10kV馈线故障停电预测

来源：评论

学校读者我要写书评

暂无评论

不平衡数据分类方法研究及应用

不平衡数据分类方法研究及应用

引用

作者：魏建双华南理工大学

学位级别：硕士

分类是数据挖掘方法中的一种重要手段,经典的分类算法通常基于数据样本分布大致均衡的前提,追求分类的总体准确率。然而现实应用中普遍存在数据样本分布不平衡的情况,其中数据集中的少数类样本往往更受关注。受样本分布不均的影响,传统... 详细信息

分类是数据挖掘方法中的一种重要手段,经典的分类算法通常基于数据样本分布大致均衡的前提,追求分类的总体准确率。然而现实应用中普遍存在数据样本分布不平衡的情况,其中数据集中的少数类样本往往更受关注。受样本分布不均的影响,传统的分类算法在分类时通常偏向多数类样本,且无法有效避免噪声数据的干扰,因此并不完全适用于不平衡数据分类的场景。因此,有必要对不平衡数据的分类方法进行进一步的研究。本文从噪声过滤方法和集成学习模型两方面对不平衡数据分类方法进行分析和创新,提出了一种新的噪声过滤-集成模型(TWK-LGEE),该模型包含噪声过滤算法(TWK)和集成分类模型(LGEE)两部分。主要工作包括:1)分析传统噪声过滤方法的不足之处,提出了一种结合Tomek-Link与特征加权KNN的噪声过滤算法(TWK)。TWK结合两种位置关系判定,引入基于F检验的特征权重,对数据集中的多数类样本和少数类样本都能进行有效的噪声过滤,同时结合数据集中少数类样本的稀缺程度,通过阈值的选择来避免样本的误剔除,从而保护少数类样本中有价值的信息。2)使用轻度梯度提升算法LightGBM作为基分类器构建EasyEnsemble形式的集成模型,利用LightGBM的高效便捷的特性提高集成模型的整体分类效率。3)对传统的EasyEnsemble框架进行改进,根据数据集类别不平衡比率的大小调节EasyEnsemble的采样方式,在样本类别分布极不平衡时,对少数类样本进行Borderline-SMOTE过采样,使生成的样本子集在类别分布趋于平衡的同时能够保障数据的质量。本文采用2019年Kaggle信用卡欺诈检测比赛的数据样本作为实验的数据集,分别对文中提出的噪声过滤方法(TWK)、集成分类模型(LGEE)和整体模型(TWK-LGEE)进行对比实验。实验结果表明,TWK算法相比于最佳对比方法在F1和G-mean两项指标上分别提升了 3.94%和3.98%。不平衡集成分类模型LGEE相比于表现最佳的对比模型在F1和G-mean上分别提升了 15.28%和14.73%,运行时间缩短了 77.02s。组合对比实验的结果表明TWK-LGEE在9个模型组合中拥有最好的分类效果。

关键词：不平衡数据分类噪声过滤集成学习 LightGBM EasyEnsemble

来源：评论

学校读者我要写书评

暂无评论

不平衡数据分类方法研究及其应用

不平衡数据分类方法研究及其应用

引用

作者：金典南京林业大学

学位级别：硕士

随着社会的发展,不平衡数据分类问题广泛出现在人们的日常生活中,此问题已经成为数据挖掘这一领域研究的热门。在不平衡数据中,所占比重较低的少数类通常是需要被识别的重点对象。然而,传统的机器学习分类算法对不平衡数据的分类结果常... 详细信息

随着社会的发展,不平衡数据分类问题广泛出现在人们的日常生活中,此问题已经成为数据挖掘这一领域研究的热门。在不平衡数据中,所占比重较低的少数类通常是需要被识别的重点对象。然而,传统的机器学习分类算法对不平衡数据的分类结果常常偏向于所占比重较高的多数类,很难准确区分出少数类样本。当前,针对不平衡数据分类的手段大致分为从数据角度出发的过采样和欠采样以及从算法角度出发的代价敏感学习和集成学习。本文主要从过采样层面出发研究不平衡数据分类方法,并将研究的方法应用到农药残留检测中,具体内容如下:对于有类间重叠的不平衡数据,综合少数类过采样技术(SMOTE)和一些基于SMOTE改进的过采样方法无法避免合成与原始多数类样本重叠的新样本,从而易对分类模型造成过度拟合。针对这一问题,本文提出了基于聚类改进的自适应合成少数类过采样技术(CI-ASMOTE)。该方法首先采用基于欧式距离的聚类算法将少数类中具有连通性的样本合并成大小不一的聚类,再选择相对靠近决策边界的半安全少数类聚类作为候选聚类,最后利用自适应的方法在稀疏度更高且更接近多数类的候选聚类内部采用SMOTE生成更多的新样本。根据CI-ASMOTE和其他5个对比过采样方法在7组存在类间重叠问题的不平衡数据上的实验结果分析可得,CI-ASMOTE更有助于提升分类模型对不平衡数据中少数类样本的识别精度和避免过度拟合问题。鉴于CI-ASMOTE算法在同一聚类内部合成样本多样性不足的缺点,本文提出了基于聚类改进的自适应两步合成少数类过采样技术(CI-ATS)。该方法采用两步合成少数类过采样技术(TSMOTE)代替SMOTE在候选聚类内部生成新少数类样本,以提高同一聚类内部合成样本的多样性。受集成学习方法的启发,考虑到少数类聚类中心的随机性导致算法性能不稳定的缺陷,进一步将CI-ATS与Ada Boost集成学习方法相结合,最终提出了基于聚类改进的自适应两步合成少数类过采样集成算法(CI-ATSE)。将CIATS、CI-ATSE与CI-ASMOTE和5个过采样方法在10组真实不平衡数据上进行对比实验,实验结果表明CI-ATS和CI-ATSE比CI-ASMOTE和5个对比过采样方法更能显著改善不平衡数据的分类结果,且CI-ATSE算法性能的优越性和稳定性高于CI-ATS。将本文提出的不平衡数据分类方法应用到农药残留检测中,建立了基于CIASMOTE、CI-ATS、CI-ATSE的三种分类模型。各个模型对自测的上海青表面的近红外光谱数据的分类结果验证了本文提出的方法在解决现实的不平衡数据分类问题中的有效性,且基于CI-ATSE的分类模型是最佳的农药残留检测模型。

关键词：不平衡数据分类聚类算法过采样集成学习农药残留检测

来源：评论

学校读者我要写书评

暂无评论

不平衡数据分类中SMOTE算法改进研究

不平衡数据分类中SMOTE算法改进研究

引用

作者：贾立艳大连海事大学

学位级别：硕士

不平衡数据广泛存在于金融信用评价、工业故障检测和医疗疾病检测等领域,对它进行分类是数据挖掘和机器学习研究领域的热门问题。传统的监督学习旨在最大化预测正确率,但在面对不平衡数据时,模型的训练边界偏向多数类,导致分类结果较差... 详细信息

不平衡数据广泛存在于金融信用评价、工业故障检测和医疗疾病检测等领域,对它进行分类是数据挖掘和机器学习研究领域的热门问题。传统的监督学习旨在最大化预测正确率,但在面对不平衡数据时,模型的训练边界偏向多数类,导致分类结果较差。合成少数类过采样技术(SMOTE)是从数据层面上解决不平衡数据分类的经典算法。大多数情况下,SMOTE算法能有效地处理类不平衡问题,但对原始数据中的噪声样本重采样后,可能会引起噪声传播,且在某些少数类样本及其近邻连线上产生新样本时,容易导致边界模糊。为了减少SMOTE算法的弊端,本文提出了三种改进算法: (1)针对SMOTE算法中线性插值方法容易产生不符合要求的新样本问题,提出了一种基于加权k近邻相对密度和局部阴影样本的过采样算法(R-WDLS)。该算法充分利用了少数类样本的近邻信息和类内标准差信息产生新样本。基于样本密度信息过滤噪声和离群样本,在少数类密集区域生成候选样本,增加少数类样本的多样性。采用多个样本组合方式构造新样本,克服SMOTE算法中参数k敏感性和线性插值的弊端。实验结果表明,提出的R-WDLS算法的分类结果明显优于其他算法。 (2)针对SMOTE算法采样时,容易导致少数类噪声样本传播且不加区分地对所有少数类样本赋予相同权重的问题,提出了一种基于极端梯度提升(XGBoost)局部分布信任度估计的动态多维过采样算法(TDMO)。该算法通过欠采样和XGBoost技术探索数据分布信息,剔除噪声样本。对保留的少数类样本,利用广义平均距离计算采样权重,减少超参数k的影响。动态选择样本点个数产生新样本,降低了模型过拟合的风险。实验结果表明,提出的TDMO能够有效地平衡数据,提高分类性能。 (3)针对SMOTE算法没有考虑样本之间高阶相关性的问题,提出一种基于超图识别和高斯分布的过采样算法(HGDO)。HGDO将超图学习引入不平衡数据预处理阶段,综合考虑所有样本之间的关系,建立了超图模型,剔除原始数据集中的噪声和离群样本。根据超图模型中超边和顶点之间的关系,对少数类样本赋予不同的权重,采用高斯分布模型,对剩余的少数类样本动态地生成新样本。实验结果表明,提出的HGDO算法过采样后新样本分布均匀,分类算法的结果最好。本文针对SMOTE算法的不足,在数据层面提出了三种改进的过采样算法,有效地提高对少数类样本的识别效率,并且提升了不平衡数据的分类性能。

关键词：不平衡数据分类 SMOTE 过采样高斯分布模型

来源：评论

学校读者我要写书评

暂无评论

不平衡数据分类和极限学习机算法研究

不平衡数据分类和极限学习机算法研究

引用

作者：赵相彬山东科技大学

学位级别：硕士

随着科技的发展，各个行业都产生了大量的数据，为了解决在海量数据中获取有用的信息的问题，数据挖掘技术应运而生。机器学习是当前人工智能领域的热点研究方向之一，它本身也是一门应用驱动的学科并推动着数据挖掘技术的发展。已有的... 详细信息

随着科技的发展，各个行业都产生了大量的数据，为了解决在海量数据中获取有用的信息的问题，数据挖掘技术应运而生。机器学习是当前人工智能领域的热点研究方向之一，它本身也是一门应用驱动的学科并推动着数据挖掘技术的发展。已有的研究成果表明，采用机器学习的方法来解决数据挖掘中的应用问题是一种行之有效的渠道或手段。\n 分类是机器学习和数据挖掘中的一项重要任务，在现实生活中也有着广泛的应用。例如，在医疗诊断、文本分类、诈骗检测、雷达图像监测、电子设备故障预测等领域中分类都具有极高的应用前景。目前，研究人员已经提出了许多不同的分类学习算法，如决策树、贝叶斯网络、人工神经网络、支持向量机等。\n 集成学习使用有限个学习器对同一个问题进行学习，通过集成方法将它们的预测结果进行合成。集成学习算法可以显著的提高学习系统的泛化能力，因此集成学习理论和算法的研究一直是机器学习领域的热点。\n 本文在深入探查数据分类的各种策略基础上，分别从以下几个方面展开了研究工作:\n (1)对数据挖掘和机器学习中的分类问题进行了总结。对其中较为常用的分类方法如决策树分类法、KNN分类法、支持向量机、神经网络和贝叶斯分类法和极限学习机等进行了详细介绍。\n (2)针对不平衡数据分类问题中存在的不足，本文提出了欠采样技术与修正核函数相结合的算法。通过实验证明，该方法能有效地提高不平衡数据分类的准确率。\n (3)提出了一种改进的极限学习机集成学习算法。该改进的集成极限学习机算法不仅考虑了分类器的结构差异，还考虑了数据集的差异，因此改进的集成极限学习机不仅能产生稳定性更强和泛化能力更强的分类器，而且还可以充分利用ELM的快速性。\n (4)实现了基于改进的极限学习机的文本分类系统的设计。系统可以进行中文文本多分类，包括中文广告分类和文本分类等。可以自行下载语料库进行训练。由于利用基于改进的极限学习机的集成算法，本系统的优势是一旦训练出模型以后，分类的速度是非常快的。

关键词：机器学习不平衡数据分类数据挖掘极限学习机贝叶斯分类法

来源：评论

学校读者我要写书评

暂无评论

一种自适应核SMOTE-SVM算法用于不平衡数据分类

引用

北京化工大学学报（自然科学版） 2023年第2期50卷 97-104页

作者：吴海燕陈晓磊范国轩北京化工大学信息科学与技术学院北京100029

面向不平衡样本集,提出一种自适应核人工合成过采样-支持向量机(synthetic minority oversampling technique-support vector machine,SMOTE-SVM)分类算法。首先通过支持向量机将数据集投影到核空间,找出类边界样本—支持向量(SV),然后... 详细信息

面向不平衡样本集,提出一种自适应核人工合成过采样-支持向量机(synthetic minority oversampling technique-support vector machine,SMOTE-SVM)分类算法。首先通过支持向量机将数据集投影到核空间,找出类边界样本—支持向量(SV),然后基于核距离对少数类样本集的支持向量(SV+)计算其近邻,再根据近邻样本类别分布自适应地选择内插或外推两种方式合成新样本。由于核空间中映射函数无法具体得知,新样本无法用显式表示,因此将生成样本与原始样本一起形成增广Gram矩阵,最终利用SVM实现分类。该算法中样本生成、近邻计算以及SVM分类均统一在同一核空间中,提高了新样本的可信性;同时自适应插值方式改善了传统人工合成过采样技术(SMOTE)线性生成算法不适用于非线性分类的问题,提高了新样本的多样性。在多个数据集上的实验结果表明,所提算法可以改善不平衡数据的分类准确率,具有更好的稳健性。

关键词：不平衡数据分类人工合成过采样技术(SMOTE) 核空间支持向量机

来源：评论

学校读者我要写书评

暂无评论

用于不平衡数据分类的代价敏感超网络算法

引用

计算机应用 2014年第5期34卷 1336-1340,1377页

作者：郑燕王杨郝青峰甘振韬重庆工业职业技术学院信息工程学院重庆400050 重庆军代室重庆400030 第三军医大学教育技术中心重庆400038

传统的超网络模型在处理不平衡数据分类问题时,具有很大的偏向性,正类的识别率远远高于负类。为此,提出了一种代价敏感超网络Boosting集成算法。首先,将代价敏感学习引入超网络模型,提出了代价敏感的超网络模型;同时,为了使算法能够自... 详细信息

传统的超网络模型在处理不平衡数据分类问题时,具有很大的偏向性,正类的识别率远远高于负类。为此,提出了一种代价敏感超网络Boosting集成算法。首先,将代价敏感学习引入超网络模型,提出了代价敏感的超网络模型;同时,为了使算法能够自适应正类的错分代价,采用Boosting算法对代价敏感超网络进行集成。代价敏感超网络能很好地修正传统的超网络在处理不平衡数据分类问题时过分偏向正类的缺陷,提高对负类的分类准确性。实验结果表明,代价敏感超网络Boosting集成算法具有处理不平衡数据分类问题的优势。

关键词：不平衡数据分类超网络代价敏感学习自适应学习

来源：评论

学校读者我要写书评

暂无评论

Bagging组合的不平衡数据分类方法

引用

计算机工程 2011年第14期37卷 178-179,182页

作者：秦姣龙王蔚南京师范大学教育科学学院机器学习与认知实验室南京210097

提出一种基于Bagging组合的不平衡数据分类方法CombineBagging,采用少数类过抽样算法SMOTE进行数据预处理,在此基础上利用C-SVM、径向基函数神经网络、Random Forests 3种不同的基分类器学习算法,分别对采样后的数据样本进行Bagging集... 详细信息

提出一种基于Bagging组合的不平衡数据分类方法CombineBagging,采用少数类过抽样算法SMOTE进行数据预处理,在此基础上利用C-SVM、径向基函数神经网络、Random Forests 3种不同的基分类器学习算法,分别对采样后的数据样本进行Bagging集成学习,通过投票规则集成学习结果。实验结果表明,该方法能够提高少数类的分类准确率,有效处理不平衡数据分类问题。

关键词： Bagging组合不平衡数据分类支持向量机神经网络 Random Forests算法

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：