学习公平分类无线链路质量

机器学习（ML）已被用于开发日益精确的无线网络的链路质量估计器。然而，关于最合适模型类别、最合适度量标准以及在不平衡数据集上的模型性能等更深入的问题仍然悬而未决。在本文中，我们提出了一种新的基于树的链路质量分类器，其具有高性能和公平分类少数类的特点，同时训练成本低。我们将该基于树的模型与多层感知机（MLP）非线性模型以及两个线性模型（即逻辑回归（LR）和支持向量机（SVM））在选定的不平衡数据集上进行比较，并使用五种不同的性能度量评估它们的结果。我们的研究表明：1）总体上非线性模型表现略优于线性模型；2）所提出的非线性基于树的模型在综合考虑F1、训练时间和公平性时取得了最佳性能折衷；3）仅基于准确率单度量聚合评估可能掩盖较差的、不公平的少数类性能；4）通过特征选择可将少数类性能提升逾40%，通过重采样提升逾20%，从而获得更公平的分类结果。