介绍 DeepBalance：解决类别不平衡的随机深度信念网络集成
机器学习
2017-11-16 v2 机器学习
摘要
类别不平衡问题出现在金融欺诈检测或网络入侵分析等领域中，在这些领域中某一类的出现频率远高于另一类。通常，从业者更关注预测少数类而非多数类，因为少数类可能带有更高的误分类代价。然而，面对类别不平衡时分类器性能会下降，因为分类器往往可能将每个数据点都预测为多数类。处理类别不平衡的方法包括代价敏感学习或重采样技术。本文介绍了 DeepBalance，这是一种由平衡 bootstrap 和随机特征选择训练的深度信念网络集成。我们证明，当应用于高度不平衡的金融交易数据时，在 AUC 和灵敏度等指标上，我们提出的方法优于 SMOTE 以及欠采样和过采样等基线重采样方法。此外，我们探讨了各种模型参数对性能和训练时间的影响。进一步地，我们表明我们的模型易于并行化，从而可以减少训练时间。最后，我们给出了 DeepBalance 在 R 语言中的实现。
引用
@article{arxiv.1709.10056,
title = {Introducing DeepBalance: Random Deep Belief Network Ensembles to Address Class Imbalance},
author = {Peter Xenopoulos},
journal= {arXiv preprint arXiv:1709.10056},
year = {2017}
}