代价敏感Boosting算法研究

• 作者: 叶曙光 李秋洁 王执铨 茅耀斌
• 来源期刊: 南京理工大学学报（自然科学版）
• 学科: 工学
• 关键词: boosting 代价敏感boosting 代价敏感学习 代价敏感采样
• 年，卷（期）: 2013,（1）
• 页码范围: 19-24,31
• 页数: 7页
• 分类号: TP391
• 字数: 4719字
• 语种: 中文

摘要

针对代价敏感学习问题,研究boosting算法的代价敏感扩展.提出一种基于代价敏感采样的代价敏感boosting学习方法,通过在原始boosting每轮迭代中引入代价敏感采样,最小化代价敏感损失期望.基于上述学习框架,推导出两种代价敏感boosting算法,同时,揭示并解释已有算法的不稳定本质.在加州大学欧文分校(University of California,Irvine,UCI)数据集和麻省理工学院生物和计算学习中心(Center for Biological&Computational Learning,CBCL)人脸数据集上的实验结果表明,对于代价敏感分类问题,代价敏感采样boosting算法优于原始boosting和已有代价敏感boosting算法.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	王执铨	南京理工大学自动化学院	331	3939	30.0	46.0
2	茅耀斌	南京理工大学自动化学院	37	772	17.0	27.0
3	李秋洁	南京理工大学自动化学院	5	128	4.0	5.0
4	叶曙光	南京理工大学自动化学院	4	45	3.0	4.0