Rough set theory and multi objective evolutionary algorithm based undersampling and oversampling framework towards class imbalance problem

doi:10.1007/s11042-025-21082-9

2025-08-13

PRE

Mehwish Naushin

Asit Kumar Das

DOI：10.1007/s11042-025-21082-9

原文链接

原文求助

摘要

En 中文

该论文探讨了分类模型中的类别不平衡问题，这些问题表现为模型偏向多数类，且在少数类上表现不佳。所提出的方法结合了粗糙集理论（RST）和进化算法（EA），以创建一个创新的再采样框架。通过从粗糙集的边界区域中移除模糊的多数类样本来实现欠采样。在过采样中，通过应用由Kullback-Leibler（KL）散度和属性依赖性（AD）为基础的双目标函数指导的EA，在正区域生成合成的少数类样本。RST通过过滤掉模糊的多数类样本来提高类别边界的清晰度。相比之下，AD确保生成的合成样本保持特征相似性，并与正区域中少数类样本的分布紧密对齐。KL散度通过减少原始少数类样本与合成少数类样本之间的分布差距，进一步优化了该过程。在知名数据集上的实验表明，该新颖框架通过有效减少对多数类的偏向，改善了类别平衡和分类性能。因此，我们获得了更好的泛化能力并提高了少数类的识别率。该方法通过与现有再采样技术的比较分析进行了验证，该分析在准确率、F-score和其他指标上始终表现出更好的性能，尽管时间复杂度略有增加。该方法在各类实际分类任务中具有潜在的应用价值。

Keyword:

Rough set theory

Multi-objective evolutionary algorithms

Region of uncertainty

Class imbalance problem

Entropy and information theory