基于主動(dòng)學(xué)習(xí)不平衡多分類AdaBoost改進(jìn)算法
推薦 + 挑錯(cuò) + 收藏(0) + 用戶評(píng)論（0）
針對(duì)不平衡分類中小類樣本識(shí)別率低問題，提出一種基于主動(dòng)學(xué)習(xí)不平衡多分類AdaBoost改進(jìn)算法。首先，利用主動(dòng)學(xué)習(xí)方法通過多次迭代抽樣，選取少量的、對(duì)分類器最有價(jià)值的樣本作為訓(xùn)練集；然后，基于不確定性動(dòng)態(tài)間隔的樣本選擇策略，降低訓(xùn)練集的不平衡性；最后，利用代價(jià)敏感方法對(duì)多分類AdaBoost算法進(jìn)行改進(jìn)，對(duì)不同的類別給予不同的錯(cuò)分代價(jià)，調(diào)整樣本權(quán)重更新速度，強(qiáng)迫弱分類器“關(guān)注”小類樣本。在臨床經(jīng)胸超聲心動(dòng)圖（TTE）測(cè)量數(shù)據(jù)集上的實(shí)驗(yàn)分析表明：與多分類支持向量機(jī)（SVM）相比，心臟病總體識(shí)別率提升了5.g%，G-mean指標(biāo)提升了18. 2%，瓣膜病（VHD）識(shí)別率提升了0.8%，感染性心內(nèi)膜炎（IE）（小類）識(shí)別率提升了12. 7%，冠心?。–AD）（小類）識(shí)別率提升了79. 73%；與SMOTE-Boost相比，總體識(shí)別率提升了6.ll%，G-mean指標(biāo)提升了0.64%，VHD識(shí)別率提升了11. 07%，先心病（CHD）識(shí)別率提升了3.69%。在TTE數(shù)據(jù)集和4個(gè)UCI數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，該算法在不平穩(wěn)多分類時(shí)能有效提高小類樣本識(shí)別率，并且保證其他類別識(shí)別率不會(huì)大幅度降低．綜合提升分類器性能。
非常好我支持^.^
(0) 0%
不好我反對(duì)
(0) 0%
下載地址
基于主動(dòng)學(xué)習(xí)不平衡多分類AdaBoost改進(jìn)算法下載
相關(guān)電子資料下載
- 人工神經(jīng)網(wǎng)絡(luò)模型的分類有哪些 134
- 一文快速了解RFID技術(shù)的構(gòu)成及分類 109
- 車載無線技術(shù)分類介紹 411
- 機(jī)器視覺光源的作用、分類及實(shí)際應(yīng)用 118
- 神經(jīng)元的分類包括哪些 233
- 卷積神經(jīng)網(wǎng)絡(luò)分類方法有哪些 102
- cnn卷積神經(jīng)網(wǎng)絡(luò)分類有哪些 106
- 什么神經(jīng)網(wǎng)絡(luò)模型適合做分類 114
- 卷積神經(jīng)網(wǎng)絡(luò)在文本分類領(lǐng)域的應(yīng)用 152
- 風(fēng)華貼片電容的分類詳細(xì)介紹 86