资料下载
×
面向二分类不平衡数据的XGBoost改进方法
消耗积分:0 |
格式:pdf |
大小:1.32 MB |
2021-05-28
分享资料个
传统分类器在处理不平衡数据时，往往会倾向于保证多数类的准确率而牺牲少数类的准确率，导致少数类的误分率较高。针对这一问题，提出一种面向二分类不平衡数据的 XGBOOST（ extreme Gradient boosting）改进方法。其主要思想是分别从数据、特征以及算法3个层面针对不平衡数据的特点进行改进。首先在数据层面，通过条件生成式对抗网络（ Conditional generative Adversarial nets，CGAN）学习少数类样本的分布信息，训练生成器生成少数类补充样本，调节数据的不平衡性;其次在特征层面，先利用Ⅹ Gboost进行特征组合生成新的特征，再通过最大相关最小冗余（ minimal Redundancy- Maximal relevance，mRMR）算法筛选出更适合不平衡数据分类的特征子集;最后在算法层面，引入针对不平衡数据分类问题的焦点损失函数（Focal loss）来改进 Xgboost，改进后的 Boost通过新的数据集训练得到最终模型。在实验阶段，选择 Gmean和AUC作为评价指标，6组KEEL数据集上的实验结果验证了所提改进方法的可行性;同时将该方法与现有的4种不平衡分类模型进行比较，实验结果表明所提改进方法具有较好的分类效果。
声明：本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人，不代表电子发烧友网立场。文章及其配图仅供工程师学习之用，如有内容侵权或者其他违规问题，请联系本站处理。 举报投诉
评论(0)
发评论
- 相关下载
- 相关文章
