.png){kind=icon}
返回
Classification Hardness Based Adaptive Sampling Ensemble for Imbalanced Data Classification
.png){kind=icon}
PRE
AI
DOI：10.26599/TST.2024.9010149.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
类别不平衡会显著影响使用传统分类器的分类任务，特别是在识别少数类别实例时。除类别不平衡外，其他挑战也可能阻碍准确的分类。研究人员已探索多种方法以缓解类别不平衡的影响。然而，大多数研究仅关注处理单一类别样本内的相关性。本文介绍了一种名为“跨类与类内重叠集成”（Inter- and Intra-Class Overlapping Ensemble, IICOE）的集成框架，该框架融合了两种采样方法。第一种方法基于分类难度欠采样，通过以简单样本为基础进行分类，并聚焦于分类边界附近的样本以提升性能，针对多数类别样本。第二种方法解决了欠采样和集成学习中少数类别样本过拟合的问题。为缓解此问题，提出了一种自适应增强混合采样方法，该方法增强了样本的分类边界并减少过拟合。本文在15个公开数据集上进行了多项实验，结果表明IICOE集成框架在分类不平衡数据方面优于其他集成学习算法。
Keyword:
imbalanced data
class overlapping
hybrid sampling
ensemble learning
期刊
T
IF:
3.5
论文数:
987
被引数:
2.5K
机构
引用论文
A systematic study of the class imbalance problem in convolutional neural networks卷积神经网络中类不平衡问题的系统研究.png)
NEURAL NETWORKS
OAAI
NEURAL NETWORKSIF6.3
OAAI分享收藏An insight into classification with imbalanced data: Empirical results and current trends on using data intrinsic characteristics对不平衡数据分类的洞察: 使用数据内在特征的经验结果和当前趋势
PREAI
分享收藏
查看更多内容