改进了对不平衡的医疗数据集的支持矢量机器分类,采用了新的混合采样方法,将修改的超级趋势扩散和袋装极端学习机器模型结合起来

科学领域:

• 机器学习 机器学习
• 数据科学数据科学数据科学
• 人工智能的人工智能

背景情况:

• 不平衡的数据集对机器学习模型,特别是支持矢量机器 (SVM) 构成挑战.
• 现有的采样技术可能对SVM产生无效的合成数据,从而限制了分类准确性.
• 提高对不平衡数据的SVM性能需要新的方法来处理阶级差异.

研究的目的:

• 为不平衡的数据集提出一种新的混合采样技术,即修改后的超级趋势-扩散-极端学习机器 (MMTD-ELM).
• 提高SVM模型对少数群体类别的分类准确度.
• 为了有效地调整SVM决策边界向多数阶级区域.

主要方法:

• 开发了一种混合采样技术,结合了α切割模糊数方法和MMTD方法.
• 选了代表性的多数阶级示例,并创建了新的少数阶级示例.
• 使用包装ELM模型来监测合成和原始数据之间的相似性.

主要成果:

• 在四个数据集中,MMTD-ELM方法表现出卓越的性能.
• 对比分析显示,MMTD-ELM的表现优于三种最先进的采样技术.
• 在几何平均值 (G-平均值),F-测量 (F1),平衡精度指数 (IBA) 和曲线下面积 (AUC) 中观察到有统计学意义的改善.

结论:

• 拟议的MMTD-ELM方法有效地解决了SVM分类的不平衡数据集.
• 与现有的抽样技术相比,MMTD-ELM为改善少数群体类预测提供了显著的进步.
• 这种新的方法提供了一种强大的解决方案,用于在类不平衡的场景中提高SVM性能.