.png){kind=icon}
返回
Kernel-space oversampling and adaptive ensemble learning for robust imbalanced data classification
.png){kind=icon}
PRE
AI
DOI：10.1088/2631-8695/ae32e1.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文提出了一种鲁棒的模糊核基可能聚类-均值自适应加权随机森林（FKAW-RF）框架，用于不平衡数据分类，该框架集成了核空间过采样与自适应集成学习。该方法首先将原始数据集映射到高维核空间，其中采用模糊核基可能聚类-均值（FKPCM）算法识别并移除边界样本，从而减少噪声和类别重叠的影响。在核空间中，应用核-传统合成少数类过采样技术（KSMOTE）策略对少数类实例进行高质量过采样，并通过预像估计将生成的样本投影回输入空间。为进一步增强分类鲁棒性，构建了自适应加权随机森林（AW-RF）作为集成分类器，其中基于特征相关性分析修剪表现不佳或冗余的决策树，并使用反映局部和全局误差率的二元惩罚因子对剩余树进行自适应加权。在UCI、KEEL和Tennessee-eastman（TE）基准数据集上的广泛实验表明，所提出的核空间过采样和自适应集成学习方法在准确率、精确率、召回率和G-mean等多个评价指标上，均一致优于传统的合成少数类过采样技术（SMOTE）变体和最先进的分类器，证实了其在具有挑战性的不平衡分类任务中的有效性和鲁棒性。
Keyword:
imbalanced data
classification
kernel-SMOTE
FKPCM clustering
adaptive weighted random forest
期刊
E
IF:
1.6
论文数:
2.1K
被引数:
0
机构
引用论文
.png){kind=icon}
A novel Random Forest integrated model for imbalanced data classification problem一种求解不平衡数据分类问题的随机森林集成模型
PREAI
分享收藏K-Means Clustering-Based Kernel Canonical Correlation Analysis for Multimodal Emotion Recognition in Human-Robot Interaction基于k-means聚类核典型相关分析的人机交互多模态情感识别
PREAI
分享收藏
查看更多内容