FLEX-SMOTE:合成过量采样技术,可以灵活地调整到不同的少数阶级分布

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:

• 阶级不平衡在预测建模中构成了重大挑战,特别是影响了少数阶级预测的准确性.
• 现有的合成少数群体过量采样技术 (SMOTEs) 往往与数据集分布的多样性扎,这使得选择最佳方法变得困难.
• SMOTE的表现可能受到限制,因为一些专注于阶级边界,而另一些则针对阶级核心.

研究的目的:

• 引入FLEX-SMOTE,一种新而灵活的合成少量过量采样技术,旨在克服现有方法的局限性.
• 开发一种可适应的SMOTE方法,能够有效地处理数据集中的多样化和非显而易见的类分布.
• 在不平衡的数据集中增强少数群体类别的预测性能.

主要方法:

• 提出FLEX-SMOTE,一种用于合成少量过量采样的新技术.
• 利用密度函数来描述和理解少数阶级的分布.
• 根据数据集中的少数群体类别的特定特征选择超样本区域.

主要成果:

• 实验结果表明,FLEX-SMOTE显著提高了少数阶级的预测性能.
• 拟议的方法在各种数据集分布中显示出有效性,与传统的SMOTE不同.
• 基于密度函数的FLEX-SMOTE适应性区域选择证明对不平衡的学习有益.

结论:

• 在机器学习中,FLEX-SMOTE提供了一种灵活而有效的解决方案,用于解决类不平衡问题.
• 该技术能够适应不同的数据分布,使其成为改进少数阶级预测的多功能工具.
• 这种方法在失衡学习和过量采样技术领域提供了宝贵的进步.