En los últimos años, el problema del aprendizaje desequilibrado ha atraído cada vez más la atención tanto del mundo académico como de la industria, y el problema tiene que ver con el rendimiento de los algoritmos de aprendizaje en presencia de datos con fuertes sesgos en la distribución de las clases. En este artículo, aplicamos el conocido modelo estadístico de discriminación logística a este problema y proponemos un nuevo método para mejorar su rendimiento. Para considerar plenamente el desequilibrio de clases, diseñamos una nueva función de coste que tiene en cuenta las precisiones de la clase positiva y de la clase negativa, así como la precisión de la clase positiva. A diferencia de la discriminación logística tradicional, el método propuesto aprende sus parámetros maximizando la función de coste propuesta. Los resultados experimentales muestran que, en comparación con otros métodos del estado del arte, el propuesto muestra un rendimiento significativamente mejor en las medidas de recuerdo, media g, medida f, AUC y precisión.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
La producción endógena de ácidos grasos poliinsaturados n-3 favorece la curación de fracturas en ratones
Artículo:
Registro de imágenes 2D del brazo en C y 3D de la TC para un sistema de navegación asistido por imágenes del brazo en C para la cirugía de la columna vertebral
Artículo:
Revestimiento compuesto electrospun de nailon/óxido de grafeno
Artículo:
Algoritmo mejorado de filtro de partículas para el posicionamiento geomagnético en interiores
Artículo:
Nuevo filtro multiescala de coincidencia gaussiana mediante redes neuronales para la segmentación de angiogramas coronarios de rayos X