几何SMOTE：通过SMOTE的几何扩展实现不平衡学习的有效过采样
机器学习
2017-09-22 v1
摘要
不平衡数据集的分类对标准算法而言是一项具有挑战性的任务。尽管已有许多方法以不同方式解决此问题，但与算法修改相比，为少数类生成人工数据是一种更通用的方法。SMOTE算法及其变体沿着连接少数类实例的线段生成合成样本。本文提出几何SMOTE（G-SMOTE），作为SMOTE数据生成机制的一种推广。G-SMOTE在输入空间中围绕每个选定的少数类实例的几何区域内生成合成样本。在基本配置中，该区域是一个超球体，而G-SMOTE允许其变形为超椭球体，并最终变形为一条线段，在最后一种情况下模拟了SMOTE机制。我们将G-SMOTE的性能与多种标准过采样算法进行了比较。实证结果表明，当使用G-SMOTE作为过采样算法时，生成数据的质量有显著提升。
引用
@article{arxiv.1709.07377,
title = {Geometric SMOTE: Effective oversampling for imbalanced learning through a geometric extension of SMOTE},
author = {Georgios Douzas and Fernando Bacao},
journal= {arXiv preprint arXiv:1709.07377},
year = {2017}
}
备注
22 pages, 15 figures