《表6 基于不同算法得到的宏观G均值》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《样本自适应的不平衡分类器》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

结束语随着大数据时代的发展，不平衡数据分类问题的研究受到了广泛关注，然而由于数据集在数量上严重失衡，传统的学习方法不能有效地对其进行学习。本文从代价敏感学习入手，提出了样本自适应的代价敏感策略。通过考察正类样本近邻中类别的分布情况，判断其距离两类样本边界的远近，并为距离两类样本边界越近的样本赋予越高的权重，同时保证正类样本的权重总和与负类相同，以此提升正类样本的预测精度。本文将提出的样本自适应的代价敏感策略应用于LDM，并通过一系列实验验证了样本自适应的不平衡分类器可以有效处理不平衡数据的分类问题。后续的工作拟将样本自适应策略应用于多分类问题。