梳理基于 AdaBoost 的代价敏感分类。第二部分：实证分析
计算机视觉与模式识别
2016-07-25 v2 人工智能
机器学习
摘要
文献中已提出许多方法，每种遵循不同的策略，以赋予 AdaBoost 代价敏感特性。在本系列两篇论文的第一部分中，我们以统一的符号框架呈现了这些算法，为它们提出了一个聚类方案，并对那些具有完整理论基础的方法进行了深入的理论分析。为完成我们的分析，本文聚焦于对先前介绍的所有算法在广泛的异构分类问题上的实证研究。我们的实验结果证实了理论结论，似乎揭示出最简单的方法——仅基于代价敏感权重初始化——尽管在文献中反复被忽视，却展现出最佳且最可靠的结果。
引用
@article{arxiv.1507.04126,
title = {Untangling AdaBoost-based Cost-Sensitive Classification. Part II: Empirical Analysis},
author = {Iago Landesa-Vázquez and José Luis Alba-Castro},
journal= {arXiv preprint arXiv:1507.04126},
year = {2016}
}
备注
Extended version of paper submitted to Pattern Recognition (Revised in July 2016)