优化的加权极限学习机在不平衡分类中的应用.docxVIP

优化的加权极限学习机在不平衡分类中的应用

优化的加权极限学习机在不平衡分类中的应用（1）

1.文档综述概述

机器学习领域中的分类问题，在现实世界的诸多应用场景中，常常面临数据类别分布极不均衡的挑战，即不平衡分类问题（ImbalancedClassification）。这类问题的一个显著特点是由于少数类别样本数量远低于多数类别样本，导致模型在训练过程中可能过度偏向多数类别，从而对少数类别（通常是更感兴趣的类别）的预测性能极差。传统的机器学习算法，包括一些经典的神经网络模型，如极限学习机（LimitingMemoryNeuralNetwork,LMMNN），在不平衡数据集上往往表现不佳，难以有效地捕捉和正确分类那些占比较小的类别。

针对不平衡分类问题，研究者们已经提出了多种应对策略。这些策略大致可以分为三大类：数据层面的方法，旨在通过增采样少数类别（如SMOTE算法）或减采样多数类别来调整原始数据的分布；算法层面的方法，致力于在模型训练过程中引入某种形式的不平衡处理机制，例如调整损失函数权重或引入专门的优化技术；以及性能评价层面的方法，通过采用如AUC、F1分数、G-mean等更合理的评估指标来弥补传统指标（如准确率）在处理不平衡问题时的局限性。

在本综述的研究范围内，重点聚焦于算法层面的改进，特别是优化的加权极限学习机（OptimizedWeightedLMMNN）在