.png){kind=icon}
返回
Sequence-based undersampling: an algorithm for managing imbalanced datasets
.png){kind=icon}
PRE
AI
DOI：10.7717/peerj-cs.3078.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
数据不平衡在机器学习（ML）中构成重大挑战，往往导致对统计特性不敏感的模型出现灾难性失败。在基于神经网络的（NN）回归中，不平衡尤为棘手，因为可能对极端但重要的值造成欠采样。传统的分类方法对不平衡数据集效果不佳，且无法捕捉问题的结构。本文提出了一种处理一般回归中不平衡数据的新方法。该新的预处理技术称为基于序列的欠采样（Sequence-Based Undersampling），利用数据的时空结构有选择地移除过代表实例。该方法使用定量降水估计（QPE）进行测试，这是地球物理学中不平衡分布的典型实例。该技术与现有方法相比，在模型性能上显示出一致的改进。结果表明，具有序列感知的欠采样可提升回归模型和机器学习算法的性能，为数据驱动研究中的普遍问题提供了一种实用解决方案。该方法可增强当前的卫星降水算法，因为卫星观测通常呈尖峰分布，表现为少数高降水率、大量低降水率及众多无降水情况——这是通过雷达和辐射计测量序列构建的不平衡数据集的典型范例。
Keyword:
Imbalance
ML
IA
Regression
Earth sciences
Undersampling
期刊
IF:
2.5
论文数:
3.4K
被引数:
6.9K
机构
引用论文
.png){kind=icon}
分享收藏
查看更多内容