• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文会议>Third International Workshop on Pattern Recognition >A genetic algorithm-based approach for class-imbalanced learning
【24h】

A genetic algorithm-based approach for class-imbalanced learning

机译：基于遗传算法的班级不平衡学习方法

获取原文
获取原文并翻译 | 示例
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

It is often the case for machine learning that datasets are imbalanced in the real world. When dealing with this problem, the traditional classification method aiming to maximize the overall accuracy of classification is not suitable. To tackle this issue and improve the performance of classifiers, methods based on oversampling, undersampling and cost-sensitive classification are widely employed. In this paper, we propose a new genetic algorithm-based over-sampling technique for class-imbalanced datasets. The genetic algorithm can create optimized synthetic minority class instances to produce a balanced training datasets. The experimental results on 5 class-imbalanced datasets show that our method performs better than three existing sampling techniques in terms of AUC and F-measure.
机译：对于机器学习来说，在现实世界中数据集通常是不平衡的。当处理这个问题时，以最大化整体分类精度为目标的传统分类方法是不合适的。为了解决该问题并提高分类器的性能，广泛采用了基于过采样，欠采样和成本敏感分类的方法。在本文中，我们提出了一种新的基于遗传算法的类不平衡数据集过采样技术。遗传算法可以创建优化的合成少数类实例，以生成平衡的训练数据集。在5个类别不平衡数据集上的实验结果表明，就AUC和F测度而言，我们的方法比三种现有的采样技术表现更好。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号