.png){kind=icon}
返回
A comprehensive review on data-level methods for imbalanced data classification
.png){kind=icon}
PRE
AI
DOI：10.1016/j.eswa.2025.128920.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
分类是机器学习和数据挖掘中最重要的任务之一。大多数分类器是为各类别样本分布均衡的数据集设计的。因此，它们在分类不平衡数据（其中一类或多类样本远少于其他类别）时遇到问题。不平衡数据集在现实中普遍存在，因此解决这一问题至关重要。已有许多方法被提出以解决此问题并显示出有前景的结果，其中一类是数据级方法，因其灵活性而广受欢迎。本文的目标是全面回顾数据级方法，并从不同角度对其进行分类。此外，为简化该领域的未来研究，介绍了大部分可用的基准不平衡数据集、软件和工具箱。最后，阐述了现有挑战和未来工作。
期刊
IF:
7.5
论文数:
3.0W
被引数:
10.2W
机构
暂无机构信息
引用论文
.png){kind=icon}
分享收藏A study of the behavior of several methods for balancing machine learning training data平衡机器学习训练数据的几种方法的行为研究
PREAI
分享收藏
SMOTE for Learning from Imbalanced Data: Progress and Challenges, Marking the 15-year Anniversary《从不平衡数据中学习: 进步与挑战，纪念15周年》
OAAI
OAAI分享收藏
查看更多内容