<menuitem id="37pxx"></menuitem>

        <b id="37pxx"><delect id="37pxx"><th id="37pxx"></th></delect></b>

        <menuitem id="37pxx"><delect id="37pxx"></delect></menuitem>

        新的基于代价敏感集成学习的非平衡数据集分类方法NIBoost

        资料大?。?/em> 0.84 MB

        所需积分: 0

        下载次数:

        用户评论: 0条评论,查看

        上传日期: 2019-03-28

        上 传 者: 易水寒他上传的所有资料

        资料介绍

        标签:分类器(68)算法(1032)

        现实生活中存在大量的非 平衡数据,大多数传统的分类算法假定类分布平衡或者样本的错分代价相同,因此在对这些非平衡数据进行分类时会出现少数类样本错分的问题。针对上述问题,在代价敏感的理论基础上,提出了一种新的基于代价敏感集成学习的非平衡数据分类算法一NIBoost ( New Imbalanced Boost)。首先,在每次选代过程中利用过采样算法新增一定数目的少数类样本来对数据集进行平衡,在该新数据集上训练分类器;其次,使用该分类器对数据集进行分类,并得到各样本的预测类标及该分类器的分类错误率;最后,根据分类错误率和预测的类标计算该分类器的权重系数及各样本新的权重。实验采用决策树、朴素贝叶斯作为弱分类器算法,在UCI数据集上的实验结果表明,当以决策树作为基分类器时,与RareBoost算法相比,F-value最高提高了5.91个百分点、C-mean最高提高了7.44个百分点、AUC最高提高了4. 38个百分点;故该新算法在处理非平衡数据分类问题.上具有一定的优势。

        用户评论

        查看全部 条评论

        发表评论请先 , 还没有账号?免费注册。

        发表评论

        用户评论
        技术交流、我要发言! 发表评论可获取积分! 请遵守相关规定。
        上传电子资料

        本月热点资料

        电子资料热门词

        最新资料

        下载排行

        本周

        本月

        总榜

        行业聚焦

        荣耀彩票