一种多标签随机均衡采样算法

• 作者: 李思豪 陈福才 黄瑞阳
• 来源期刊: 计算机应用研究
• 关键词: 多标签学习 数据不平衡 平均样本数 随机均衡采样
• 年，卷（期）: 2017,（10）
• 所属期刊栏目: 算法研究探讨
• 页码范围: 2929-2932
• 页数: 4页
• 分类号: TP301.6
• 语种: 中文
• DOI: 10.3969/j.issn.1001-3695.2017.10.011

摘要

为解决多标签学习中数据不平衡、传统重采样过程标签样本集相互影响以及弱势类信息大量重复和强势类信息大量丢失的问题,提出多标签随机均衡采样算法.该算法在多标签的条件下提出随机均衡采样思想,充分利用强势类和弱势类信息来平衡数据冗余和损失;优化样本复制和删除策略,保证不同标签重采样过程的独立性;提出平均样本数,保持数据的原始分布.实验在三个数据集下对比了三种多标签重采样算法的性能,结果表明,0.2和0.25是所提算法的最佳重采样率,且该算法尤其适用于不平衡度较高的数据集,与其他方法相比具有最好的性能.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	陈福才		31	193	7.0	12.0
2	黄瑞阳		50	146	7.0	8.0
3	李思豪		2	3	1.0	1.0