多类别对从不平衡与概念漂移数据流中学习在线分类器的影响
机器学习
2022-10-18 v1
摘要
本工作旨在实验研究局部数据特征与漂移对从多类不平衡数据流学习各类在线分类器困难程度的影响。首先我们给出了这些不平衡流中数据因素与漂移的分类，随后引入了建模这些因素与漂移的合成流生成器。大量合成生成数据流实验的结果显示，许多少数类之间重叠（边界样本类型）的作用远大于仅含一个少数类的流。流中罕见样本的存在是最困难单一因素。少数类分裂的局部漂移是第三大影响因素。与二分类流不同，专用的 UOB 与 OOB 分类器即使在高度不平衡比率下也表现足够好。对所有分类器最具挑战性的是同时整合所识别因素漂移的复杂场景，其在多个少数类情况下比二分类情况更强地恶化了评估指标。此为 ECMLPKDD2022 上 LIDTA'2022 workshop 短文的扩展版。
引用
@article{arxiv.2210.08359,
title = {The Influence of Multiple Classes on Learning Online Classifiers from Imbalanced and Concept Drifting Data Streams},
author = {Agnieszka Lipska and Jerzy Stefanowski},
journal= {arXiv preprint arXiv:2210.08359},
year = {2022}
}
备注
21 pages