增强分类器链对类不平衡的鲁棒性
机器学习
2018-11-07 v4 机器学习
摘要
类不平衡是多标签数据的内在特征。多标签数据集中的大多数标签仅与少量训练样本相关联，其数量远小于数据集的规模。类不平衡构成了困扰大多数多标签学习方法的关键挑战。分类器链集成（ECC）作为最突出的多标签学习方法之一，也不例外，因为它构建的每一个二值模型都是由某个标签的所有正例和负例训练得到的。为使ECC对类不平衡具有鲁棒性，我们首先将其与随机欠采样相结合。然后我们提出了这一基本方法的两个扩展，其中我们为每个标签构建数量可变的二值模型并构造不同大小的链，以便在近似相同的计算预算下改进对多数类样本的利用。在16个多标签数据集上的实验结果证明了所提方法在多种评价指标下的有效性。
引用
@article{arxiv.1807.11393,
title = {Making Classifier Chains Resilient to Class Imbalance},
author = {Bin Liu and Grigorios Tsoumakas},
journal= {arXiv preprint arXiv:1807.11393},
year = {2018}
}