.png){kind=icon}
返回
A position oversampling based on ensemble for imbalanced multi-class classification
.png){kind=icon}
PRE
AI
DOI：10.1007/s13042-025-02636-7.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
分类方法的性能会受到不平衡多类数据的不利影响。过采样是解决数据预处理中不平衡多类分类问题的常用方法。然而，对少数类进行过度过采样会导致噪声生成并降低分类精度。为解决这些问题，提出了一种用于不平衡多类分类的多类SMOTEBoost（MSMOTEBoost）方法。MSMOTEBoost包含三个关键组成部分。首先，为避免生成噪声样本，设计了安全权重（WOS）以选择插值候选样本。其次，为缓解某些区域过度插值密度的问题，设计了多类邻居权重（WON）以替代邻居随机选择过程，对少数类进行动态扩展。最后，开发了一种与AdaBoost.M2融合的多类过采样方法，以提高方法的多样性和鲁棒性。通过对真实数据的广泛实验和统计分析来验证所提出方法的有效性。实验结果表明，MSMOTEBoost具有竞争力。
Keyword:
Imbalanced data
Multi-class classification
Resampling techniques
Ensemble learning
期刊
IF:
2.7
论文数:
3.2K
被引数:
5.6K
机构
暂无机构信息
引用论文
Empowering one-vs-one decomposition with ensemble learning for multi-class imbalanced data通过集成学习为多类不平衡数据提供一对一分解
OAAI
OAAI分享收藏Multi-class WHMBoost: An ensemble algorithm for multi-class imbalanced data多类WHMBoost：一种用于多类不平衡数据的集成算法
PREAI
分享收藏A dynamic over-sampling procedure based on sensitivity for multi-class problems.png)
PATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏PF-SMOTE: A novel parameter-free SMOTE for imbalanced datasetsPf-smote: 一种用于不平衡数据集的新型无参数SMOTENEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏A membership-based resampling and cleaning algorithm for multi-class imbalanced overlapping data基于隶属度的多类不平衡重叠数据重采样清洗算法
PREAI
分享收藏
查看更多内容