Mejorar el aprendizaje de los complejos datos desequilibrados y superpuestos de varias clases mediante el mapeo en...

Área de la Ciencia:

• Aprendizaje automático
• Ciencias de la computación
• Ciencia de los datos

Sus antecedentes:

• Los clasificadores tradicionales luchan con problemas de varias clases debido a muestras desequilibradas y superposición de datos.
• Estos problemas degradan la eficiencia del clasificador, especialmente con el aumento del número de clases y los atributos superpuestos.
• Los efectos combinados de los datos desequilibrados y las muestras superpuestas reciben poca atención en la investigación.

Objetivo del estudio:

• Introducir SVM++, un algoritmo modificado de Support Vector Machine (SVM), diseñado para mejorar la clasificación de varias clases.
• Abordar los desafíos planteados por conjuntos de datos desequilibrados y atributos de muestra superpuestos en modelos de aprendizaje automático.
• Mejorar el rendimiento del clasificador en escenarios con distribución desigual de muestras y estructuras de datos complejas.

Principales métodos:

• El algoritmo SVM ++ propuesto implica un proceso de tres pasos: dividir los datos en conjuntos superpuestos y no superpuestos.
• El algoritmo-2 clasifica aún más los datos superpuestos en regiones críticas-1 y críticas-2, identificando muestras problemáticas.
• Se emplea una nueva función de mapeo del núcleo, que mejora el SVM tradicional al mapear muestras críticas-1 a una dimensión más alta basada en métricas de distancia.

Principales resultados:

• SVM ++ demostró un rendimiento superior en comparación con los clasificadores de última generación en treinta conjuntos de datos del mundo real.
• El algoritmo manejó efectivamente conjuntos de datos con diferentes grados de desequilibrio de la muestra y superposición de atributos.
• El método propuesto mejoró significativamente la precisión de la clasificación en escenarios difíciles de varias clases.

Conclusiones:

• SVM ++ ofrece una solución robusta para los problemas de clasificación de varias clases plagados de datos desequilibrados y superposición de muestras.
• El mapeo mejorado del núcleo y la estrategia de particionamiento de datos son clave para mejorar el rendimiento de SVM ++.
• Esta investigación pone de relieve la importancia de abordar el desequilibrio y la superposición de datos combinados para el desarrollo efectivo de clasificadores.