.png){kind=icon}
返回
Developing distance-based genetic programming classifiers by reconstructing datasets for imbalanced binary classification
.png){kind=icon}
PRE
AI
DOI：10.1016/j.patcog.2025.112825.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
• 提出一种数据集重构策略，生成数量相等的来自多数类和少数类的实例元组。
• 提出一种基于距离的GP分类器构建方法，该方法能够有效处理不平衡的二分类数据集。
• 我们提出的方法在分类性能上显著优于八种基于GP的分类方法，并与六种传统机器学习算法达到了具有竞争力的结果。
期刊
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
引用论文
.png){kind=icon}
Credit Card Fraud Detection: A Realistic Modeling and a Novel Learning Strategy信用卡欺诈检测: 现实的建模和新颖的学习策略
OAAI
OAAI分享收藏DG-SMOTE: A Distance-Angle-Based Genetic Synthetic Minority Over-Sampling Technique for Unbalanced Data LearningDG-SMOTE：一种基于距离-角度的遗传合成少数类过采样技术，用于不平衡数据学习
PREAI
分享收藏A hybrid sampling algorithm for imbalanced and class-overlap data based on natural neighbors and density estimation一种基于自然邻域和密度估计的适用于不平衡及类重叠数据的混合采样算法
PREAI
分享收藏Machine Learning: Algorithms, Real-World Applications and Research Directions机器学习: 算法，现实世界的应用和研究方向OAAI
OAAI分享收藏A Comprehensive Survey of Few-shot Learning: Evolution, Applications, Challenges, and Opportunities
OAAI
OAAI分享收藏
查看更多内容