面向分类困难区域的不平衡分类改进方法.pdf

1、本文档共7页，可阅读全部内容。
2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击这里二次下载。
4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。

第40卷第11期+算机仿真2023年11月

文章编号：1006-9348（2023）11-0452-07

面向分类困难区域的不平衡分类改进方法

李克文，王晓晖，柯翠虹，张敏

（中国石油大学（华东）计算机科学与技术学院，山东青岛266580）

摘要：为了提高在不平衡分类问题中对少数类样本的检出率，定义了一个由少数类样本和边界样本组成的分类困难区域，提

出了一种面向分类困难区域的融合模型。首先在分类困难区域上建立面向分类困难区域的DR-XCBoost模型，增强算法对

少数样本和边界样本的关注度，然后将DR-XCBoost模型与原始XGBoost模型进行融合，构建出最终的面向分类困难区域

的FMDR-XCBoost融合模型。采用KELL数据库中22个不平衡样本集进行实验，实验结果表明，提出的改进方法的AUC

和F1评价指标均优于其它较为先进的集成算法，具有更好的预测能力。

关键词：不平衡数据；机器学习；分类困难区域；模型融合

中图分类号：TP18文献标识码：B

AnImprovedMethodofUnbalancedClassification

BasedonClassificationDifficultRegions

LIKe-wen,WANGXiao-hui,KECui-hong,ZHANGMin

(CollegeofComputerScienceandTechnology,ChinaUniversityofPetroleum(EastChina),

QingdaoShandong266580,China)

ABSTRACT:Inordertoimprovethedetectionrateofminorityclasssamplesinunbalancedclassificationproblems,

thispaperdefinesaclassificationdifficultyregionconsistingofminorityclasssamplesandboundarysamples,andpro-

posesafusionmodelorientedtotheclassificationdifficultyregion.First,aDR-XGBoostmodelorientedtotheclassi-

ficationdifficultregionwasbuiltontheclassificationdifficultregiontoenhancetheattentionofthealgorithmtomi-

noritysamplesandboundarysamples,andthentheDR-XGBoostmodelwasfusedwiththeoriginalXGBoostmodelto

constructthefinalFMDR-XGBoostfusionmodelorientedtotheclassificationdifficultregion.Inthispaper,22imbal-

ancedsamplesetsfromtheKELLdatabaseareusedforexperiments,andtheexperimentalresultsshowthattheAUC

andF1evaluationindexesoftheimprovedmethodproposedinthispaperarebetterthanoth

安全评价师持证人

该用户很懒，什么也没介绍

咨询Ta 进入空间

领域认证该用户于2023年09月13日上传了安全评价师

更多 >