.png){kind=icon}
返回
On Probability Estimation for Unbalanced Classification
.png){kind=icon}
OA
AI
DOI：10.1007/s42519-026-00572-5.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
不平衡分类在医疗诊断和欺诈检测等实际应用中构成重大挑战，因类别标签分布严重倾斜。标准分类方法常通过牺牲少数类精度来最大化整体性能，导致次优结果。解决不平衡分类的常用技术多涉及不同类别的样本权重调整或重采样策略，包括少数类过采样和多数类欠采样。尽管这些平衡技术能提升分类精度，但常引入偏差，损害后验类别概率估计与模型校准。本文着重揭示未加适当调整时平衡技术相关的权衡问题。我们系统考察了不平衡分类技术引发的概率估计失真，并提出通过概率调整纠正这些偏差的稳健框架。此外，我们研究了高维不平衡数据，考察了平衡技术引发的失真及正则化对概率估计的收缩效应。最后，通过模拟和真实数据分析评估了所提方法，涵盖类权重、随机重采样和生成模型等平衡策略。结果表明，所提框架在应用传统平衡技术时能显著缓解概率估计偏差，同时保持分类能力，确保可靠的后验估计。
Keyword:
Calibration
Machine Learning
Oversampling
Undersampling
Weighting
期刊
J
IF:
0.9
论文数:
88
被引数:
0
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