Rotation Forest es un enfoque de aprendizaje de conjunto que logra un mejor rendimiento en comparación con Bagging y Boosting a través de la construcción de clasificadores precisos y diversos utilizando el espacio de características rotadas. Sin embargo, al igual que otros clasificadores convencionales, el Rotation Forest no funciona bien en los datos desequilibrados que se caracterizan por tener muchos menos ejemplos de una clase (clase minoritaria) que de la otra (clase mayoritaria), y el coste de clasificar erróneamente los ejemplos de la clase minoritaria suele ser mucho más caro que los casos contrarios. Este trabajo propone un método novedoso denominado Embedding Undersampling Rotation Forest (EURF) para tratar este problema (1) muestreando subconjuntos de la clase mayoritaria y aprendiendo una matriz de proyección a partir de cada subconjunto y (2) obteniendo conjuntos de entrenamiento proyectando subconjuntos remuestreados del conjunto de datos original a nuevos espacios definidos por las matrices y construyendo un clasificador individual a partir de cada conjunto de entrenamiento. En el primer método, el submuestreo sirve para forzar a la matriz de rotación a capturar mejor las características de la clase minoritaria sin perjudicar la diversidad entre los clasificadores individuales. En cuanto al segundo método, la técnica de submuestreo pretende mejorar el rendimiento de los clasificadores individuales en la clase minoritaria. Los resultados experimentales muestran que EURF consigue un rendimiento significativamente mejor en comparación con otros métodos del estado de la técnica.
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:
Mediciones experimentales de la conductividad térmica de nanofluidos a base de glicerol con diferentes contrastes térmicos
Artículo:
Modelo de evolución del riesgo sanitario para la seguridad alimentaria basado en la teoría de las perspectivas
Artículo:
Avances recientes en litografía no convencional para estructuras jerárquicas tridimensionales complejas y sus aplicaciones
Artículo:
Predicción autoadaptativa de la demanda de recursos en la nube mediante un modelo de conjunto y una red neuronal difusa basada en el clustering sustractivo
Artículo:
Microphase Separation of a PS-b-PFS Block Copolymer via Solvent Annealing: Efecto del disolvente, el sustrato y el tiempo de exposición en la morfología