.png){kind=icon}
返回
nDeepSMOTEc: An Oversampling Method for Structured Datasets
.png){kind=icon}
OA
AI
DOI：10.1109/ACCESS.2025.3605975.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
数据不平衡问题在机器学习领域普遍存在，尤其是在医疗诊断和欺诈检测等应用中，少数类样本对模型的准确预测至关重要。为提升不平衡数据集上的分类器性能，本研究基于DeepSMOTE框架提出了一种改进的过采样方法，并考察了其在不同分类器上的效果。DeepSMOTE是专门针对图像数据设计的。我们修改了DeepSMOTE，使其适用于结构化表格数据，并使用支持向量机和神经网络将其性能与其他过采样技术进行比较。根据26个公开数据集的实验结果，研究显示所提出的方法nDeepSMOTEc在两种分类模型中均持续优于当前最优的过采样方法，凸显了其对结构化数据集的实用价值。这些发现为未来研究解决不平衡数据问题时选择合适的过采样策略提供了有价值的见解和参考依据。
Keyword:
Imbalanced datasets
oversampling technique
deep learning
structured data
DeepSMOTE
期刊
IF:
3.6
论文数:
9.8W
被引数:
29.4W
机构
引用论文
A study of the behavior of several methods for balancing machine learning training data平衡机器学习训练数据的几种方法的行为研究
.png){kind=icon}
PREAI
分享收藏分享收藏
查看更多内容