多分类器协同多阶段用于不平衡多类学习
机器学习
2014-01-28 v2 信息检索
摘要
在本工作中，我们提出了两种随机架构模型（CMC 和 CMC-M），包含两层分类器，适用于具有一个或多个偏斜类别的数据集。当数据集包含大量类别时，这种区分变得尤为重要。因此，我们提出了一种针对具有多个偏斜多数类的不平衡多类学习的新颖解决方案，提升了少数类的识别能力。这一事实对于事件检测等文本分类任务尤为重要。我们的模型与预处理采样技术相结合，在六个知名数据集上改善了分类结果。最后，我们还引入了一种新指标 SG-Mean，以克服 G-Mean 中乘以零的局限性。
引用
@article{arxiv.1312.6597,
title = {Co-Multistage of Multiple Classifiers for Imbalanced Multiclass Learning},
author = {Luis Marujo and Anatole Gershman and Jaime Carbonell and David Martins de Matos and João P. Neto},
journal= {arXiv preprint arXiv:1312.6597},
year = {2014}
}
备注
Preliminary version of the paper