合成少数过采样技术

Scidown文献预览系统！

作者：scidown 发布时间：2021-06-24 00:21:43 文章标题：

合成少数过采样技术( SMOTE: Synthetic Minority Over-sampling Technique )

文章作者：

NV Chawla KW Bowyer LO Hall WP Kegelmeyer

文章简述：

描述了一种从不平衡数据集构造分类器的方法。如果分类类别没有大致相等地表示，则数据集是不平衡的。通常，真实世界的数据集主要由“正常”的示例组成，只有一小部分“异常”或“有趣”的示例。同样的情况是，将一个不正常的（有趣的）例子错误分类为正常的例子的代价往往比反向错误的代价要高得多。大多数（正常）类的欠采样被认为是提高分类器对少数类的敏感性的一种好方法。本文表明，我们对少数（异常）类进行过采样和对多数（正常）类进行欠采样的方法相结合，可以获得比仅对多数类进行欠采样更好的分类器性能（在ROC空间）。本文还表明，我们对少数类进行过采样和对多数类进行欠采样的方法相结合，可以获得更好的分类器性能（在ROC空间中），而不是在朴素Bayes中改变Ripper或类先验值中的损失比。我们对少数类进行过采样的方法包括创建合成少数类示例。使用C4.5、Ripper和朴素贝叶斯分类器进行了实验。利用接收机工作特性曲线(AUC)下的面积和ROC凸包策略对该方法进行了评估。

文章下载地址（开放版）：