基于几何有向图族的类别不平衡数据分类
机器学习
2019-04-10 v1 机器学习
摘要
我们使用一种称为类覆盖捕获有向图（CCCDs）的几何有向图族来解决统计分类中的类不平衡问题。CCCDs 为类覆盖问题提供图论解，并已被用于分类。我们通过广泛的蒙特卡洛模拟评估 CCCD 分类器的分类性能，并将其与文献中常用的其他分类器进行比较。特别地，我们表明在两类设定中当一类比另一类更频繁时（类不平衡问题的一个例子），CCCD 分类器表现相对较好。我们还指出了类不平衡与类重叠问题之间的关系，以及它们对 CCCD 分类器和其他分类方法以及一些构造上对类不平衡鲁棒的先进算法性能的影响。在模拟和真实数据集上的实验表明，CCCD 分类器对类不平衡问题具有鲁棒性。CCCDs 在欠采样过程中从多数类中大量欠采样，同时保留被丢弃点的信息。然而，许多先进方法通过集成分类器保留该信息，而 CCCDs 仅产生具有同样性质的单一分类器，使其既具吸引力又快速。
引用
@article{arxiv.1904.04564,
title = {Classification of Imbalanced Data with a Geometric Digraph Family},
author = {Artür Manukyan and Elvan Ceyhan},
journal= {arXiv preprint arXiv:1904.04564},
year = {2019}
}