- 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
- 540803 点
- 威望
- 12 点
- 阅读权限
- 255
- 积分
- 167619
- 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 " b- ^! k( ]$ ]4 y" @
3 k( J5 z0 r+ A# M3 Z- k; C
% @. c2 [, R% ?% e; h# K$ w8 F; f1 a" d
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
, B6 L, F& O! ~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% I, E' P8 i: v9 f. `0 C$ h- |! ?6 c
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/ K. n1 \( C8 y, v
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, . P$ ~- `. ^; C. K
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," b) l% `6 P5 L1 L$ R
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
' W E3 ?' v s% R4 m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 KEEL5 ~6 Y% S1 z! {3 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# C* B' Q; m1 R$ z. m- h( u1 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. L& P* T t$ c8 P
GSMOTEBoost 具有显著的优势.
" T! V, ^5 X; v7 }; `( I# i
1 w" C% A4 S$ b4 O: O7 A( ]
$ X/ `7 ~+ q: d: ~ L9 B$ x" z5 }
) ^2 M1 q' |; s' v |
|
zan
|