.png){kind=icon}
返回
Ant-Based Feature and Instance Selection for Multiclass Imbalanced Data
.png){kind=icon}
OA
AI
DOI：10.1109/ACCESS.2024.3418669.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文介绍了一种新颖的算法，称为基于蚂蚁的特征和实例选择。此新算法解决了在基于lazy实例的分类器的上下文中同时选择混合，不完整和不平衡数据的实例和特征的问题。所提出的算法使用基于元启发式过程和粗糙集的混合选择策略。基于蚂蚁的特征和实例选择算法将蚁群优化和通用扩展粗糙集相结合，用于混合和不完整信息系统。它分为五个阶段: 约简计算，元数据计算，智能实例预处理，子矩阵创建和融合。为了测试所提出算法的性能，我们使用了来自加州大学欧文分校机器学习存储库的25个数据集。所有这些数据集都是不平衡的，具有多个课程，代表了现实世界的分类问题。课程的数量在三到八个课程之间。他们中的大多数也有混合或不完整的描述。我们使用了几种性能指标，并计算了实例保留率和功能保留率。为了确定比较算法的性能是否存在显着差异，我们使用了非参数假设检验。统计分析结果证实了该算法在多类不平衡数据中选择特征和实例的高质量。
Keyword:
Feature extraction
Rough sets
Classification algorithms
Training
Metadata
Metaheuristics
Information systems
Nearest neighbor methods
Ant colony optimization
Algorithm design and theory
Multiclass imbalanced data
feature selection
instance selection
nearest neighbor
期刊
IF:
3.6
论文数:
9.8W
被引数:
29.4W
机构
引用论文
An Emerging Fuzzy Feature Selection Method Using Composite Entropy-Based Uncertainty Measure and Data Distribution一种新兴的基于复合熵的不确定性度量和数据分布的模糊特征选择方法
PREAI
分享收藏To combat multi-class imbalanced problems by means of over-sampling and boosting techniques.png)
SOFT COMPUTING
SOFT COMPUTINGIF2.5
PREAI
分享收藏A dynamic over-sampling procedure based on sensitivity for multi-class problemsPATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏l2,1 norm regularized multi-kernel based joint nonlinear feature selection and over-sampling for imbalanced data classification基于l2，1范数正则化多核的联合非线性特征选择和过采样的不平衡数据分类NEUROCOMPUTING
OAAI
NEUROCOMPUTINGIF6.5
OAAI分享收藏PL02: Probiotic regimen for outpatient gastroenteritis utility of treatment (PROGUT) study: a multicenter randomized controlled trialCJEMOAAI
CJEMIF0
OAAI分享收藏
查看更多内容