数学建模社区-数学中国
标题:
一种基于高斯过采样的集成学习算法
[打印本页]
作者:
杨利霞
时间:
2020-11-20 15:28
标题:
一种基于高斯过采样的集成学习算法
一种基于高斯过采样的集成学习算法
# Y' F1 q+ z5 k+ B# M
R( a; I9 \* H) D0 D, ]% [
! B! [ D+ a d1 r
5 ?0 c, m# l" J
在数据挖掘研究领域, 分类任务广泛存在着数据分布不均衡问题, 例如制造状态检测, 医疗
! U. F/ C$ j; f) M
诊断, 金融服务, 等等. SMOTE 是处理不均衡数据分类问题的常用技术, 与 Boosting 算法相结合可
- b9 ~( b9 F) f' K
进一步提升分类系统性能, 但是这种集成学习容易导致基分类器多样性缺失. 基于此, 本文提出了
' w4 t: j# R; `4 @+ _$ `
一种基于高斯过程 SMOTE过采样的 Boosting集成学习算法, 即(Gaussian-based SMOTE in Boosting,
3 p2 z, Z) q. d5 c+ Y
GSMOTEBoost). 该算法在 Boosting 集成框架下构建不均衡学习模型, 为了提高分类系统的鲁棒性,
2 ?/ h5 M7 {$ _4 |$ C
采用基于高斯过程 SMOTE 过采样技术来增加基分类器训练样本的多样性, 从而提高基分类器之
) [2 A. k# H5 w. T5 {/ C7 O" c
间的差异. 为了验证算法的有效性, 以常用的处理不均衡分类问题的算法作为对比方法, 采用 KEEL
; t% y+ r3 B2 C7 o0 X& @4 Q6 T0 f
数据库里的 20 个标准数据集对算法进行测试, 以 G-mean, F-measure 以及 AUC 作为算法的评价指
0 O3 `* }" I) H$ }8 S6 P: ^
标, 利用统计检验手段对实验结果进行分析. 实验结果表明, 相对于其他算法, 本文提出的
5 v- F+ A' N. R
GSMOTEBoost 具有显著的优势.
3 s4 `/ C7 Z3 o$ V# O: a
+ J9 G4 A( h; _* G4 h9 K& [
0 l+ C q. k$ \' n# {1 y
* N6 V6 n2 z! X
2 m1 l5 B# D( `6 ^* E, k) d
一种基于高斯过采样的集成学习算法.pdf
2020-11-20 15:27 上传
点击文件名下载附件
下载积分: 体力 -2 点
559.04 KB, 下载次数: 0, 下载积分: 体力 -2 点
欢迎光临 数学建模社区-数学中国 (http://www.madio.net/)
Powered by Discuz! X2.5
