面向不平衡数据流回归的直方图方法
机器学习
2025-03-14 v2
摘要
不平衡领域在实际预测分析中提出了重大挑战，尤其是在回归问题中。虽然已有研究主要关注来自静态数据集的批量学习，但针对在线学习场景下的数据流不平衡回归的关注有限。为填补这一差距，我们先前提出了基于切比雀夫不等式的抽样策略，作为首批专为数据流设计的方法。然而，这些方法基于稀有实例仅位于分布极端处的限制性假设。本研究引入基于直方图的抽样策略，以克服这一限制，为演化数据流中的不平衡回归提出灵活解决方案。所提出的技术——基于直方图的欠抽样 (HistUS) 和基于直方图的过抽样 (HistOS)——采用增量在线直方图动态检测和优先级分配目标分布中任意区域的稀有实例，以提高稀有案例的预测准确性。在合成和真实基准上的全面实验表明，HistUS 和 HistOS 在稀有案例预测准确性方面显著优于基线模型，同时保持与切比雀夫方法的竞争力。
引用
@article{arxiv.2501.17568,
title = {Histogram Approaches for Imbalanced Data Streams Regression},
author = {Ehsan Aminian and Rita P. Ribeiro and Joao Gama},
journal= {arXiv preprint arXiv:2501.17568},
year = {2025}
}