以類重疊度為優(yōu)化目標的不平衡數(shù)據(jù)學習方法

摘要： 分類是機器學習中的一項重要學習任務,基本思想是使用在訓練樣例集上生成的分類器對測試樣例的類別進行預測.然而,很多實際應用中的訓練集具有不平衡的類分布,這通常會制約學習算法的分類性能.為此,本文提出以類重疊度為優(yōu)化目標的不平衡數(shù)據(jù)學習方法 (COA-RBU).將相對類間勢作為多數(shù)類樣例效用的評價標準,并根據(jù)訓練集的類重疊度自適應地確定合適欠采樣比例,以降低不平衡訓練集的數(shù)據(jù)復雜性... （共8頁）