QQ登录

只需要一步,快速开始

 注册地址  找回密码
查看: 3155|回复: 0
打印 上一主题 下一主题

[其他资源] 一种基于高斯过采样的集成学习算法

[复制链接]
字体大小: 正常 放大
杨利霞        

5273

主题

82

听众

17万

积分

  • TA的每日心情
    开心
    2021-8-11 17:59
  • 签到天数: 17 天

    [LV.4]偶尔看看III

    网络挑战赛参赛者

    网络挑战赛参赛者

    自我介绍
    本人女,毕业于内蒙古科技大学,担任文职专业,毕业专业英语。

    群组2018美赛大象算法课程

    群组2018美赛护航培训课程

    群组2019年 数学中国站长建

    群组2019年数据分析师课程

    群组2018年大象老师国赛优

    跳转到指定楼层
    1#
    发表于 2020-11-20 15:28 |只看该作者 |倒序浏览
    |招呼Ta 关注Ta
    一种基于高斯过采样的集成学习算法
    ' r6 z$ v1 T. x6 e" D/ j+ N& L4 O
    8 |% N% j4 _' p0 [

    6 h1 P2 T+ t1 l% G6 X1 _: v- }# ]& x
    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
    7 Y$ F" m0 b& h8 s$ F* `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. c* G" n% l. [) f
    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
    8 J5 W* R* n( x9 A7 G  P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,   T( x0 n. p7 Q( c1 k0 l- _5 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,) V- G/ Y+ t( d) N7 V
    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* x- e# `9 c, @- G
    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 KEEL4 W$ ?! j& _$ C8 c+ ^' X3 r
    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. |4 m5 O. T0 O( l4 Z0 f
    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
    , `  M. C+ e3 V; E: DGSMOTEBoost 具有显著的优势.& Q/ U9 c( i2 @* W7 \1 S4 n6 ?
    0 ?4 V) X) U1 m
    ' h! }# x$ u- y1 L; [6 T$ R- [
    ) L& C9 d2 q6 O/ V( ^$ _  \" f

    2 m" m2 ^3 I6 v6 i/ w2 B5 Y! y

    一种基于高斯过采样的集成学习算法.pdf

    559.04 KB, 下载次数: 0, 下载积分: 体力 -2 点

    zan
    转播转播0 分享淘帖0 分享分享0 收藏收藏0 支持支持0 反对反对0 微信微信
    您需要登录后才可以回帖 登录 | 注册地址

    qq
    收缩
    • 电话咨询

    • 04714969085
    fastpost

    关于我们| 联系我们| 诚征英才| 对外合作| 产品服务| QQ

    手机版|Archiver| |繁體中文 手机客户端  

    蒙公网安备 15010502000194号

    Powered by Discuz! X2.5   © 2001-2013 数学建模网-数学中国 ( 蒙ICP备14002410号-3 蒙BBS备-0002号 )     论坛法律顾问:王兆丰

    GMT+8, 2026-6-8 19:52 , Processed in 0.429863 second(s), 54 queries .

    回顶部