基于不平衡数据混合采样的Lonzi堆栈方法研究,向晖,王斌,本文主要针对不平衡数据探究分类算法,采用随机欠采样与SMOTE过采样相结合的混合采样技术对不平衡数据进行处理,降低数据不平衡对�
为提高不平衡数据的分类性能,提出了基于度量指标优化的不平衡数据Boosting算法。该算法结合不平衡数据分类性能度量标准和Boosting算法,使用不平衡数据分类性能度量指标代替原有误分率指标,分别采
为了改善传统支持向量机(SVM)对不平衡数据的分类效果,解决分类器对少类样本分类效果较差的问题,提出了一种复合SVM算法。该算法首先通过自适应合成采样(ADASYN)算法与不同错误代价(DEC)算法的
提出一种新的预处理算法AdaP,不仅有效避免了数据过度拟合,且可独立使用。针对不平衡的入侵检测数据集,引入代价敏感机制,基于权值矩阵最小化误分类代价的思想,去除部分训练密集区域、拓展稀疏区域的同时再过
SVC在补偿电网三相不平衡中的应用,李应懂,,在电力系统中,由于三相不对称负荷的存在造成电网三相电压电流的不平衡,并由此给电网带来一系列问题。所以,文章在深入研究三相不平
针对不平衡数据流的分类问题,结合基于权重的集成分类器与抽样技术,本文提出了一种处理不平衡数据流集成分类器模型.理论分析与实验验证表明,该集成分类器具有更低的计算复杂度,更能适应存在概念漂移的不平衡数据
提出一种基于粒子群算法优化极限学习机算法。采用粒子群算法对极限学习机参数进行优化,最后在Matlab平台进行仿真对比实验。
摘要—极限学习机(ELM)是单隐藏层神经网络,并且比传统的神经网络具有更快的学习速度。 然而,内核ELM(KELM)由于其鲁棒性而越来越受到高光谱图像(HSI)分类的关注。 KELM中广泛使用的RBF
睡眠数据中各个阶段的样本数差异较大,睡眠数据的自动分期是一个典型的样本不平衡的机器学习问题。均衡样本方法通过抽样的手段来平衡样本,是解决样本不平衡问题的主要方法。采用均衡样本方法来平衡睡眠数据的不同阶
支持向量机在处理不平衡数据集时,对少类样本的分类效果很不理想。传统的处理方法尽管能够提高少类样本的分类准确率,但多类样本的分类准确率却大幅度下降。综合考虑样本间的相对距离和密集程度,提出了一种欠采样方