面向不平衡数据的复杂度自适应边界集成方法
原文：CBE: A Complexity-adaptive Boundary-aware Ensemble Method for Imbalanced Data
在许多真实世界的分类任务中，数据集呈现类别不平衡，这会降低传统学习算法的泛化性能。数据复杂度近来被认为是比单纯的不平衡比率更客观的学习难度指标，因为类别重叠和复杂的决策边界往往比不平衡本身更严重地损害分类器性能。决策边界附近的样本本质上难以分类，这促使许多研究者关注此类实例以提升分类器性能。然而，大多数欠采样方法无法在不同复杂度的数据集上区分其对边界样本的采样策略。为克服这一局限，我们提出了复杂度自适应边界感知集成（CBE）框架，将采样权重分布与数据复杂度相关联，并据此动态调整欠采样的边界偏好。我们还引入了一种综合复杂度度量，融合多个层次的指标，并用其将不平衡数据集划分为三类。在来自 UCI 和 KEEL 的 24 个基准数据集上进行的大量实验表明，所提方法在 Easy 和 Median 数据集上的 F-measure 和 G-mean 上优于许多现有方法，同时在困难案例上不降低性能。作者：Xun Wei 类别：cs.LG