.png){kind=icon}
返回
Imbalanced Data Classification Method Based on LSSASMOTE
.png){kind=icon}
OA
AI
DOI：10.1109/ACCESS.2023.3262460.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
不平衡数据在现实世界中广泛存在，不平衡数据的分类是机器学习领域的研究热点。为了更有效地对不平衡数据进行分类，提出了一种LSSASMOTE过采样方法。首先，利用列维麻雀搜索算法 (LSSA) 对支持向量机 (SVM) 的核函数参数和惩罚参数进行了优化，并设计了相应的适应度函数。然后，在优化过程中，结合SMOTE采样率，并使用LSSA迭代来选择SVM参数和SMOTE采样率的最佳组合。此外，过采样样本通过Tomek链接进行噪声处理。在这种情况下，构建了LSSASMOTE SVM分类模型来对不平衡数据进行分类。实验中使用的八个数据集是在UCI和KEEL上获得的，其他三个数据集是手动创建的。实验结果证实，该模型能有效提高不平衡数据的分类精度，可作为一种新的不平衡数据分类方法。
Keyword:
Support vector machines
Classification algorithms
Optimization
Machine learning algorithms
Sampling methods
Data models
Search problems
Imbalanced data
machine learning
sparrow search algorithm
support vector machine
oversampling
期刊
IF:
3.6
论文数:
9.8W
被引数:
29.4W
机构
引用论文
Arsenic removal from aqueous solutions by adsorption using novel MIL-53(Fe) as a highly efficient adsorbent使用新型MIL-53(Fe) 作为高效吸附剂通过吸附从水溶液中去除砷.png)
RSC Advances
RSC AdvancesIF0
PREAI
分享收藏Semi-Supervised Deep Fuzzy C-Mean Clustering for Imbalanced Mulit-Class Classification用于不平衡多类分类的半监督深度模糊C均值聚类IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏Open oral cavity has little effects on upper airway aerodynamics in children with obstructive sleep apnea syndrome: A computational fluid dynamics study based on patient-specific models张口对阻塞性睡眠呼吸暂停综合征患儿的上气道气流动力学影响较小：一项基于患者特异性模型的计算流体动力学研究
PREAI
分享收藏分享收藏
查看更多内容