Abstract— Exploratory Undersampling

Abstract— Exploratory Undersampling for Class-Imbalance Learning
Undersampling is a popular method in dealing with class-imbalance problems, which uses only a subset of the majority class and thus is very efficient. The main deficiency is that many majority class examples are ignored. We propose two algorithms to overcome this deficiency. EasyEnsemble samples several subsets from the majority class, trains a learner using each of them, and combines the outputs of those learners. BalanceCascade trains the learners sequentially, where in each step, the majority class examples that are correctly classified by the current trained learners are removed from further consideration. Experimental results show that both methods have higher Area Under the ROC Curve, F-measure, and G-mean values than many existing class- imbalance learning methods. Moreover, they have approximately the same training time as that of undersampling when the same number of weak classifiers is used, which is significantly faster than other methods.
Index Terms—Class-imbalance learning, data mining, ensemble learning, machine learning, undersampling.

Kết quả (Việt) 1:

Trừu tượng-Undersampling thăm dò sự mất cân bằng lớp họcUndersampling là một phương pháp phổ biến trong việc đối phó với các vấn đề lớp học, sự mất cân bằng, mà dùng chỉ là một tập hợp con của các lớp học phần lớn và như vậy là rất hiệu quả. Việc thiếu hụt chính là nhiều ví dụ về lớp phần lớn bị bỏ qua. Chúng tôi đề xuất hai thuật toán để khắc phục các thiếu hụt này. EasyEnsemble mẫu nhiều con từ các lớp học phần, luyện một người học bằng cách sử dụng mỗi người trong số họ, và kết hợp các kết quả đầu ra của các học viên. BalanceCascade đào tạo học viên theo tuần tự, nơi trong mỗi bước, các lớp học đa số ví dụ về một cách chính xác được phân loại theo các học viên được đào tạo hiện tại được xóa khỏi xem xét thêm. Kết quả thử nghiệm cho thấy cả hai phương pháp có cao hơn diện tích dưới đường cong ROC, F-biện pháp, và G-có nghĩa là giá trị hơn so với nhiều phương pháp học tập lớp sự mất cân bằng sẵn có. Hơn nữa, họ có khoảng thời gian đào tạo tương tự như của undersampling khi sử dụng cùng một số máy phân loại yếu, mà là nhanh hơn đáng kể so với các phương pháp khác.Chỉ số điều khoản — sự mất cân bằng lớp học, khai thác dữ liệu, toàn bộ học tập, Máy học, undersampling.

Kết quả (Việt) 2:

Abstract- thăm dò undersampling cho Class-Mất cân Học
undersampling là một phương pháp phổ biến trong việc đối phó với vấn đề mất cân bằng đẳng cấp, mà chỉ sử dụng một tập hợp con của lớp đa số và do đó là rất hiệu quả. Sự thiếu hụt chính là nhiều ví dụ lớp đa số được bỏ qua. Chúng tôi đề xuất hai thuật toán để khắc phục sự thiếu hụt này. Mẫu EasyEnsemble vài tập con từ lớp đa số, đào tạo một người học sử dụng mỗi trong số họ, và kết hợp các kết quả đầu ra của những người học. BalanceCascade đào tạo các học viên liên tục, nơi mà trong mỗi bước đi, ví dụ lớp phần lớn được phân loại một cách chính xác bởi các học viên được đào tạo hiện nay được lấy từ xem xét thêm. Kết quả thí nghiệm cho thấy rằng cả hai phương pháp có Diện tích cao dưới đường cong ROC, F-đo lường, và các giá trị G-trung bình so với nhiều phương pháp học tập sự mất cân bằng class- hiện. Hơn nữa, họ có khoảng thời gian đào tạo giống như của undersampling khi cùng một số phân loại yếu được sử dụng, đó là nhanh hơn so với các phương pháp khác đáng kể.
Index khoản-Class-mất cân bằng học tập, khai thác dữ liệu, học quần thể, học máy, undersampling.