文献类型：期刊文章

作　　者：徐玲玲[1] 迟冬祥[1]

XU Lingling;CHI Dongxiang(School of Electronic Information Engineering,Shanghai Dianji University,Shanghai 201306,China)

机构地区：[1]上海电机学院电子信息学院,上海201306

出　　处：《计算机工程与应用》

基　　金：国家自然科学基金-青年科学基金(No.61906039)。

年　　份：2020

卷　　号：56

期　　号：24

起止页码：12-27

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSCD、CSCD_E2019_2020、IC、JST、RCCSE、ZGKJHX、核心刊

摘　　要：由于不平衡数据集的内在固有特性,使得分类结果常受数量较多的类别影响,造成分类性能下降。近年来,为了能够从类别不平衡的数据集中学习数据的内在规律并且挖掘其潜在的价值,提出了一系列基于提升不平衡数据集机器学习分类算法准确率的研究策略。这些策略主要是立足于数据层面、分类模型改进层面来解决不平衡数据集分类难的困扰。从以上两个方面论述面向不平衡数据集分类问题的机器学习分类策略,分析和讨论了针对不平衡数据集机器学习分类器的评价指标,总结了不平衡数据集分类尚存在的问题,展望了未来能够深入研究的方向。特别的,这些讨论的研究主要关注类别极端不平衡场景下的二分类问题所面临的困难。

关 键 词：不平衡数据集 重采样策略  分类模型  评价指标

分 类 号：TP391]