《表3 应用不同NearMiss距离CCNM在SVM上的F-M easure (G-M ean)》
从表3可以看出,应用NearMiss-2后的CCNM有着更为出色的表现,从选择策略上也可以发现,NearMiss-2会从全局角度考虑多数类与少数类的距离,通过这种方式选出的多数类会均匀的分布在少数类的周围,从而更容易找出分类界限.NearM iss-1从局部着手,只考虑最近的那么三个,选出的多数类不会均匀分布在少数类周围.会出现某些少数类周围有大量多数类,而某些周围几乎没有.那么,大量多数类环绕着少数类就会导致很低的查全率(recall),相反则会导致很低的查准率(pre-cision).NearMiss-3虽然会“刻意”使少数类周围有一定量的多数类,但局部仍然会出现某一类样本密集,导致少数类预测(PositiveAccuracy)、多数类预测(NegativeAccuracy)都不够理想.
图表编号 | XD0045034400 严禁用于非法目的 |
---|---|
绘制时间 | 2019.05.01 |
作者 | 魏力、张育平 |
绘制单位 | 南京航空航天大学计算机科学与技术学院、南京航空航天大学计算机科学与技术学院 |
更多格式 | 高清、无水印(增值服务) |