改进的不平衡贝叶斯学习分类模型研究

• 作者: 刘聃 张珣 杨伟杰 段大高 韩忠明
• 来源期刊: 计算机应用研究
• 关键词: 不平衡分类 数据挖掘 类间隔似然函数 贝叶斯学习
• 年，卷（期）: 2020,（12）
• 所属期刊栏目: 算法研究探讨
• 页码范围: 3561-3564
• 页数: 4页
• 分类号: TP391
• 语种: 中文
• DOI: 10.19734/j.issn.1001-3695.2019.08.0520

摘要

基于函数逼近的方法存在少数类样本不足时分类效果不佳的问题,针对此问题提出了不平衡贝叶斯学习分类模型.模型引入类间隔似然函数,用于降低后验分布在参数空间上存在的偏态性,以采样到对各类样本分类精确的参数点.在UCI、KEEL上的公开不平衡数据集中的实验结果验证了所提方法的有效性;基于MINIST数据集构建了两个不平衡数据集,在这两个数据集中几何均值分别达到92.4％和81.6％.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	段大高		31	326	9.0	17.0
2	韩忠明		51	631	14.0	23.0
3	张珣		14	74	4.0	8.0
4	杨伟杰		13	200	7.0	13.0
5	刘聃		1	0	0.0	0.0