《表3 应用不同NearMiss距离CCNM在SVM上的F-M easure (G-M ean)》

  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

《一种改进型的不平衡数据欠采样算法》

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

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.