当前位置: X-MOL 学术Appl. Soft Comput. › 论文详情
Maximizing minority accuracy for imbalanced pattern classification problems using cost-sensitive Localized Generalization Error Model
Applied Soft Computing ( IF 5.472 ) Pub Date : 2021-02-16 , DOI: 10.1016/j.asoc.2021.107178
Wing W.Y. Ng; Zhengxi Liu; Jianjun Zhang; Witold Pedrycz

Traditional machine learning methods may not yield satisfactory generalization capability when samples in different classes are imbalanced. These methods tend to sacrifice the accuracy of the minority class to improve the overall accuracy without regarding the fact that misclassifications of minority samples usually costs more in many real world applications. Therefore, we propose a neural network training method via a minimization of the cost-sensitive localized generalization error-based objective function (c-LGEM) to achieve a better balance of error yielded by the minority and the majority classes. The c-LGEM emphasizes the minimization of the generalization error of the minority class in a cost-sensitive manner. Experimental results obtained on 16 UCI datasets show that neural networks trained by the c-LGEM yield better performance in comparison to the performance yielded by some existing methods.



中文翻译:

使用成本敏感的局部广义误差模型最大化不平衡模式分类问题的少数派准确性

当不同类别的样本不平衡时,传统的机器学习方法可能无法产生令人满意的泛化能力。这些方法往往会牺牲少数类的准确性以提高整体准确性,而没有考虑到在许多实际应用中少数类样本的错误分类通常会花费更多的事实。因此,我们提出了一种通过最小化成本敏感的基于局部广义误差的目标函数(c-LGEM)的神经网络训练方法,以实现少数派和多数派产生的错误的更好平衡。c-LGEM强调以成本敏感的方式最小化少数群体的泛化误差。

更新日期:2021-02-22
全部期刊列表>>
2021新春特辑
SN Applied Sciences期刊征稿中
虚拟特刊
亚洲大洋洲地球科学
NPJ欢迎投稿
自然科研论文编辑
ERIS期刊投稿
欢迎阅读创刊号
自然职场,为您触达千万科研人才
spring&清华大学出版社
城市可持续发展前沿研究专辑
Springer 纳米技术权威期刊征稿
全球视野覆盖
施普林格·自然新
chemistry
物理学研究前沿热点精选期刊推荐
自然职位线上招聘会
欢迎报名注册2020量子在线大会
化学领域亟待解决的问题
材料学研究精选新
GIANT
ACS ES&T Engineering
ACS ES&T Water
屿渡论文,编辑服务
阿拉丁试剂right
上海中医药大学
哈工大
西湖大学
化学所
北京大学
山东大学
隐藏1h前已浏览文章
课题组网站
新版X-MOL期刊搜索和高级搜索功能介绍
ACS材料视界
南方科技大学
张凤娇
中国石油大学
天合科研
x-mol收录
试剂库存
down
wechat
bug