• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文会议>International Conference on Artificial Neural Networks >Dynamic Centroid Insertion and Adjustment for Data Sets with Multiple Imbalanced Classes
【24h】

Dynamic Centroid Insertion and Adjustment for Data Sets with Multiple Imbalanced Classes

机译：具有多个不平衡类的数据集的动态质心插入和调整

获取原文
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

The imbalance problem is receiving an increasing attention in the literature. Studies on binary cases are recurrent but limited when considering the multiple classes approach. Solutions to imbalance domains may be divided into two groups, data level approaches, and algorithmic approaches. The first approach is more common and focuses on changing the training data aiming to balance the data set, oversampling the smallest classes, undersampling the biggest ones or using a combination of both. Instance reduction is another approach to the problem. It tries to find the best-reduced set of instances that represent the original training set. In this work, we propose a new Prototype Generation method called DCIA. It dynamically inserts new prototypes for each class and then adjusts their positions with a search algorithm. The set of generated prototypes may be used to train any classifier. Experiments showed its potentiality by enabling an INN classifier to perform sometimes as well or even better than some ensemble classifiers created for different multiclass imbalanced domains.
机译：不平衡问题在文献中受到越来越多的关注。关于二进制案例的研究是经常性的，但是在考虑多类方法时是有限的。不平衡域的解决方案可以分为两组，数据级别方法和算法方法。第一种方法较为常见，其重点在于更改训练数据，以平衡数据集，对最小类别进行过度采样，对最大类别进行欠采样或将两者结合使用。减少实例是解决该问题的另一种方法。它试图找到代表原始训练集的最佳还原实例集。在这项工作中，我们提出了一种新的原型生成方法，称为DCIA。它为每个类动态插入新的原型，然后使用搜索算法调整它们的位置。生成的原型集可用于训练任何分类器。实验显示，通过使INN分类器的性能有时比为不同的多类不平衡域创建的整体分类器更好甚至更好，可以证明其潜力。

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