Resumen

En los métodos de aprendizaje desequilibrado, los métodos de remuestreo modifican un conjunto de datos desequilibrado para formar un conjunto de datos equilibrado. Los conjuntos de datos equilibrados funcionan mejor que los conjuntos de datos desequilibrados para muchos clasificadores base. Este artículo propone un método de conjunto sensible al costo basado en máquinas de soporte vectorial (SVM) sensibles al costo y consulta por comité (QBC) para resolver la clasificación de datos desequilibrados. El método propuesto primero divide el conjunto de datos de la clase mayoritaria en varios subconjuntos de acuerdo con la proporción de muestras desequilibradas y entrena subclasificadores utilizando el método AdaBoost. Luego, el método propuesto genera muestras de entrenamiento candidatas mediante el método de aprendizaje activo QBC y utiliza SVM sensible al costo para aprender las muestras de entrenamiento. Al utilizar 5 conjuntos de datos desequilibrados por clase, los resultados experimentales muestran que el método propuesto tiene un área bajo la curva ROC (AUC),

• Materias:Ecuaciones diferenciales Dinámica de fragmentación Medios porosos Circuito abierto
• Subjects:Differential equations Fragmentation dynamics Porous media Open circuit
• Palabras claves:Métodos de remuestreo; Conjunto de datos desequilibrado; Conjunto de datos equilibrado; Método de conjunto sensible al costo; Máquina de vectores de soporte; Consulta por comité
• Keywords:Resampling methods; Imbalanced dataset; Balanced dataset; Cost-sensitive ensemble method; Support vector machine; Query-by-committee