Biblioteca36.130 documentos en línea

Artículo

A Novel Ensemble Method for Imbalanced Data Learning: Bagging of Extrapolation-SMOTE SVMUn nuevo método de ensamblaje para el aprendizaje de datos desequilibrados: Ensamblaje de extrapolación-SMOTE SVM

Resumen

El desequilibrio de clases existe de forma omnipresente en la vida real, lo que ha suscitado un gran interés en diversos ámbitos. El aprendizaje directo a partir de un conjunto de datos desequilibrados puede plantear resultados insatisfactorios al centrarse demasiado en la precisión de la identificación y derivar un modelo subóptimo. Se han desarrollado varias metodologías para abordar este problema, como el muestreo, la sensibilidad al coste y otras híbridas. Sin embargo, hay que valorar las muestras cercanas al límite de decisión que contienen más información discriminativa y corregir el sesgo del límite construyendo muestras sintéticas. Inspirándonos en la verdad y el sentido de la geometría, diseñamos una nueva técnica de sobremuestreo de minorías sintéticas para incorporar la información del límite. Además, el modelo de conjunto siempre tiende a capturar un límite de decisión más complicado y robusto en la práctica. Teniendo en cuenta estos factores, se ha propuesto un nuevo método de ensemble, llamado Bagging of Extrapolation Borderline-SMOTE SVM (BEBS), para tratar los problemas de aprendizaje de datos desequilibrados (IDL). Los experimentos realizados en conjuntos de datos de libre acceso mostraron un rendimiento significativamente superior utilizando nuestro modelo y se ilustró una explicación persuasiva e intuitiva detrás del método. Hasta donde sabemos, este es el primer modelo que combina un conjunto de SVMs con información de frontera para resolver tal condición.

  • Tipo de documento:
  • Formato:pdf
  • Idioma:Inglés
  • Tamaño: Kb

Cómo citar el documento

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.

Este contenido no est� disponible para su tipo de suscripci�n

Información del documento