- 在线时间
- 1630 小时
- 最后登录
- 2024-1-29
- 注册时间
- 2017-5-16
- 听众数
- 81
- 收听数
- 1
- 能力
- 120 分
- 体力
- 540782 点
- 威望
- 12 点
- 阅读权限
- 255
- 积分
- 167613
- 相册
- 1
- 日志
- 0
- 记录
- 0
- 帖子
- 5324
- 主题
- 5250
- 精华
- 18
- 分享
- 0
- 好友
- 163
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 |
一种基于高斯过采样的集成学习算法 : N! x( p/ c- q# ]* T4 `( r) [3 b
5 U; g8 O% j- X, \3 {
8 Y4 |7 S' |! F* Y( b/ O( d( Q5 a3 X8 h+ K1 w
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
5 I% @, H8 T) f, w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3 H- G% {. M, d2 F+ b& U
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
6 w/ l/ H$ H$ I$ C. q; q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,
n- P( D4 f; N% K- a! q; iGSMOTEBoost). 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,
# Y M8 d- m+ z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; l7 v- c( i$ t9 m: ]! Y* J
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
6 X y6 a# V5 V; e9 \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
6 s1 L. p# K7 e& c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
$ d& s) X1 t3 ?. }- \6 e% LGSMOTEBoost 具有显著的优势.! l2 }0 ^- }1 @* L2 w9 H8 @- O
$ ?# B7 D$ M# j2 c/ f3 A
+ Z# ?$ ^, J1 f9 A5 @. y
* {& q3 S7 [# C4 V7 z$ u
# x n9 G! k$ _/ K" X, J! B |
zan
|