.png){kind=icon}
返回
Cost-sensitive hierarchical classification for imbalance classes
.png){kind=icon}
PRE
AI
DOI：10.1007/s10489-019-01624-z.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
具有不平衡类问题的分层分类是机器学习中的一个挑战，并且是由具有不均匀分布的数据引起的。从不平衡数据集中学习可导致分类器的性能降级。成本敏感学习是处理多数和少数课程的差距概率的有用解决方案。本文提出了不平衡课程的成本敏感层次分类 (CSHCIC)，构造了成本敏感因子来平衡多数和少数课程之间的关系。首先，我们按类层次结构将大型层次分类任务划分为几个小的子分类任务。其次，我们通过更精确地使用子分类的不同样本的数量来建立成本敏感因子。然后，我们使用逻辑回归计算每个节点的概率。最后，我们使用灵活性因子和样本数量来更新成本敏感因子。实验结果表明，代价敏感的层次分类方法在处理不平衡类数据集上取得了优异的性能。所提出的方法的运行时间成本小于大多数最先进的方法。
Keyword:
Imbalance class
Misclassification cost
Cost-sensitive
Hierarchical classification
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
3.5
论文数:
7.6K
被引数:
1.7W
机构
引用论文
Characterization of the complete chloroplast genome sequence of Sarcandra glabra (Chloranthales)
OAAI
OAAI分享收藏Cost-sensitive learning of hierarchical tree classifiers for large-scale image classification and novel category detection.png)
PATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏分享收藏分享收藏
查看更多内容