不平衡数据的集成分类算法综述

被引：190

作者：

李勇 ^{[1
,2
]}

刘战东 ^{[1
]}

张海军 ^{[1
]}

机构：

[1] 新疆师范大学网络信息安全与舆情分析重点实验室

[2] 南京航空航天大学计算机科学与技术学院

来源：

计算机应用研究 | 2014年 / 31卷 / 05期

关键词：

不平衡数据; 集成学习; 分类; 代价敏感; 数据采样;

D O I：

暂无

中图分类号：

TP181 [自动推理、机器学习];

学科分类号：

140502 [人工智能];

摘要：

集成学习是通过集成多个基分类器共同决策的机器学习技术,通过不同的样本集训练有差异的基分类器,得到的集成分类器可以有效地提高学习效果。在基分类器的训练过程中,可以通过代价敏感技术和数据采样实现不平衡数据的处理。由于集成学习在不平衡数据分类的优势,针对不平衡数据的集成分类算法得到广泛研究。详细分析了不平衡数据集成分类算法的研究现状,比较了现有算法的差异和各自存在的优点及问题,提出和分析了有待进一步研究的问题。

引用

页码：1287 / 1291

页数：5

共 19 条

[1]

EUSBoost: Enhancing ensembles for highly imbalanced data-sets by evolutionary undersampling.[J].Mikel Galar;Alberto Fernández;Edurne Barrenechea;Francisco Herrera.Pattern Recognition.2013,

[2]

Analysis of preprocessing vs. cost-sensitive learning for imbalanced classification. Open problems on intrinsic data characteristics.[J].Victoria López;Alberto Fernández;Jose G. Moreno-Torres;Francisco Herrera.Expert Systems With Applications.2011, 7

[3]

Top 10 algorithms in data mining.[J].Xindong Wu;Vipin Kumar;J. Ross Quinlan;Joydeep Ghosh;Qiang Yang;Hiroshi Motoda;Geoffrey J. McLachlan;Angus Ng;Bing Liu;Philip S. Yu;Zhi-Hua Zhou;Michael Steinbach;David J. Hand;Dan Steinberg.Knowledge and Information Systems.2009, 1

[4]

Cost-sensitive boosting for classification of imbalanced data [J].