少数类的集成学习

• 作者: 潘志松 燕继坤
• 来源期刊: 南京航空航天大学学报
• 学科: 工学
• 关键词: 集成学习 不平衡类别 单边Bagging
• 年，卷（期）: 2009,（4）
• 页码范围: 520-526
• 页数: 7页
• 分类号: TP391.14
• 字数: 4733字
• 语种: 中文
• DOI: 10.3969/j.issn.1005-2615.2009.04.020

摘要

传统机器学习中研究的分类问题通常假定各类别是平衡的,但在很多场合各类别的出现概率相差很大,而且很多应用中需要区分重要而稀少的少数类.本文比较了3种基于AdaBoost集成学习方法,并推导出他们的精度几何平均(GMA)的下界.分析表明:类别越不平衡,这3种方法越难以通过提高基分类器准确率来提高GMA.在此结论的基础上,以Bagging为基础提出了单边Bagging算法,该算法只对多数类抽样,而保留所有少数类,因而每轮的训练集是类别平衡的,并通过UCI数据集验证了其有效性.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	潘志松	解放军理工大学指挥自动化学院	47	385	9.0	17.0
2	燕继坤	西南电子电信技术研究所现代信号处理国家重点实验室	9	82	6.0	9.0