.png){kind=icon}
返回
Stack generalization-based hybrid ensemble classifier for imbalanced data
.png){kind=icon}
PRE
AI
DOI：10.1007/s10115-026-02752-y.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
一个类别实例显著多于另一类别的数据集不平衡问题，通常会导致传统分类器难以正确预测少数类。本文引入了一种名为Random Balance Stacking（RBStack）的新集成方法，用于解决二元分类中的此问题。RBStack采用两级堆叠方法，在基层级使用五个分类器（Adaboost、K最近邻（KNN）、随机森林（RF）、Bagging和极端梯度提升（XGB）），并将RF作为元分类器。该方法首先生成一个随机数，确定少数类的新大小，确保其介于少数类和多数类的原始大小之间。RBStack使用SMOTE-SVM（合成少数类过采样技术与支持向量机）生成合成的少数类实例。为平衡数据集，它还随机移除多数类中的实例，保持数据集的原始大小。实验在来自KEEL、UCI和NMDP数据集库的47个不平衡数据集上进行，不平衡比率范围为1.4至129.4。我们使用五种性能指标（AUC（曲线下面积）、f1-score、g-mean、kappa和Matthews相关系数（MCC）），将所提出的方法与11个其他分类器进行比较。结果表明，RBStack优于所有其他分类器。研究结果还通过Wilcoxon符号秩检验进行了统计验证。
Keyword:
Bagging
Boosting
Class imbalance
Ensemble
Oversampling
Stacking
期刊
IF:
3.1
论文数:
548
被引数:
5.2K
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PCFS: An intelligent imbalanced classification scheme with noisy samplesPCFS：一种具有噪声样本的智能不平衡分类方案
PREAI
分享收藏分享收藏
查看更多内容