.png){kind=icon}
返回
A granular XGBoost classification algorithm
.png){kind=icon}
PRE
AI
DOI：10.1007/s10489-025-06762-1.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文首次提出将多距离粒计算与XGBoost相结合，通过丰富的特征表示显著提升小样本场景下的泛化能力。XGBoost（eXtreme Gradient Boosting）是一种主要用于解决分类和回归问题的机器学习算法。它通常依赖数据的原始特征或基础特征工程，未能充分挖掘数据内部的内在结构和相关性。同时，由于小样本数据集存在数据稀疏、类别不平衡以及噪声等问题，其性能往往下降，导致模型泛化能力减弱。本文提出一种粒计算XGBoost分类算法，旨在提升小样本数据集的分类精度。该算法首先通过结合多种特征扩展数据集维度，随后采用多种距离度量进行粒化处理，生成多粒度层级的数据表示，从而形成更丰富、更多样的特征表示。不同粒度层级的特征表示随后分别融合并输入XGBoost分类器进行训练和预测。该方法有助于缓解单一度量带来的偏差和误差，从而实现数据集中各类别表示的更好平衡。实验结果表明，采用多距离度量方法的粒计算XGBoost分类算法在各类数据集上的分类精度较传统XGBoost算法有显著提升，同时增强了其在不同数据集和特征分布下的鲁棒性与泛化能力，为解决小样本数据过拟合问题提供了新的见解和方法。
Keyword:
XGBoost
Granular computing
Multiple distances
Classification
期刊
IF:
3.5
论文数:
7.6K
被引数:
1.7W
机构
引用论文
XGBoost.png)
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining
OAAI
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data MiningIF0
OAAI分享收藏Granular ball computing classifiers for efficient, scalable and robust learning颗粒球计算分类器，用于高效、可扩展和稳健的学习
PREAI
分享收藏Relational interpretations of neighborhood operators and rough set approximation operators邻域算子与粗糙集近似算子的关系解释OAAI
OAAI分享收藏
查看更多内容