.png){kind=icon}
返回
Swarm-based Cost-sensitive Decision Tree Using Optimized Rules for Imbalanced Data Classification
.png){kind=icon}
PRE
AI
DOI：10.1007/s42235-025-00673-0.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
尽管决策树（DT）在各种应用中得到了广泛使用，但它们在处理不平衡数据集时的性能往往会下降，其中某些类别的分布显著高于其他类别。代价敏感学习是解决此问题的一种策略，目前已提出多种代价敏感DT算法。然而，现有的启发式算法试图贪婪地选择更好的分割点或特征节点，导致树节点陷入局部最优，并忽略了整棵树的代价。此外，代价的确定较为困难，通常需要领域专业知识。本研究提出了一种用于不平衡数据的决策树，称为基于群集的代价敏感决策树（SCDT），采用代价敏感学习策略和增强的群集算法。该决策树采用混合个体表示进行编码。设计了一种混合人工蜂群方法来优化规则，在基于F-测度的适应度函数中考虑指定的代价。使用数据集的实验结果与最先进的DT算法进行比较，表明SCDT方法在大多数数据集上取得了最高的性能。此外，SCDT在其他关键性能指标（如召回率、精确率、F1分数和AUC）上也表现出色，其平均结果分别为83%、87.3%、85%和80.7%。
Keyword:
Decision tree
Cost-sensitive learning
Artificial bee colony
Swarm-based
Imbalanced classification
期刊
IF:
5.8
论文数:
2.0K
被引数:
4.8K
机构
引用论文
SCADA intrusion detection scheme exploiting the fusion of modified decision tree and Chi-square feature selection.png)
INTERNET OF THINGS
OAAI
INTERNET OF THINGSIF7.6
OAAI分享收藏Binary Decision Tree Using Genetic Algorithm for Recognizing Defect Patterns of Cold Mill Strip基于遗传算法的二叉决策树在冷轧带钢缺陷模式识别中的应用
PREAI
分享收藏分享收藏
查看更多内容