论文研究一种面向多类不平衡协议流量的改进AdaBoost.M2算法.pdf

真实世界中存在大量的类别不平衡分类问题，传统的机器学习算法如AdaBoost算法，关注的是分类器的整体性能，而没有给予小类更多的关注。因此针对类别不平衡学习算法的研究是机器学习的一个重要方向。Asym

处理类不平衡数据时，少数类的边界实例非常容易被错分。为了降低类不平衡对分类器性能的影响，提出了自适应边界采样算法（AB-SMOTE）。AB-SMOTE算法对少数类的边界样本进行自适应采样，提高了数据集

对基于差别矩阵的核求解方法而言,差别矩阵的规模是直接影响核求解效率的关键因素.为此,针对不平衡分类数据情况,提出一种基于多差别矩阵的核求解算法.该算法先按决策属性值划分对象集,进而建立任意两个不同对象

一种用于不平衡数据的分类算法，算法类，数据挖掘

针对少数类样本合成过采样技术（syntheticminorityover-samplingtechnique，SMOTE）在合成少数类新样本时会带来噪声问题，提出了一种改进降噪自编码神经网络不平衡数据

针对信贷行业信用评分业务中存在的样本类别不平衡问题，首先在信用评分各影响因素Fisher比率值分析的基础上确定主要评判指标；而后以基于支持度的过采样算法（SDSMOTE）为样例合成算法，支持向量机（S

PDF论文《一种适合不平衡数据集的新型提升算法》，和大家分享~

传统的Bagging分类方法对不平衡数据集进行分类时，虽然能够达到很高的分类精度，但是对其中少数类的分类准确率不高。为提高其对少数类数据的分类精度，利用SMOTE算法对样例集中的少数类样例进行加工，在

传统的分类算法在对不平衡数据进行分类时，容易导致少数类被错分。为了提高少数类样本的分类准确度，提出了一种基于改进密度峰值聚类的采样算法IDP-SMOTE。首先，采用Box-Cox变换和σ准则对密度峰值

针对支持向量机（SVM）在超平面附近进行不平衡数据（imbalanceddatasets）分类的不准确性，提出了一种改进SVM-KNN算法，该算法在分类阶段计算测试样本与最优超平面的距离，如果距离差大