Diversity techniques improve the performance of the best imbalance learning ensembles

Many real-life problems can be described as unbalanced, where the number of instances belonging to one of the classes is much larger than the numbers in other classes. Examples are spam detection, credit card fraud detection or medical diagnosis. Ensembles of classifiers have acquired popularity in...

Celý popis

Uloženo v:

Podrobná bibliografie
Vydáno v:	Information sciences Ročník 325; s. 98 - 117
Hlavní autoři:	Díez-Pastor, José F., Rodríguez, Juan J., García-Osorio, César I., Kuncheva, Ludmila I.
Médium:	Journal Article
Jazyk:	angličtina
Vydáno:	Elsevier Inc 20.12.2015
Témata:	Classifier ensembles Classifiers Diversity Forests Fraud Imbalanced data sets Learning Oversampling Performance enhancement Repositories Rotation forest SMOTE Undersampling Undersampling Rotation forest SMOTE Imbalanced data sets Diversity Classifier ensembles
ISSN:	0020-0255, 1872-6291
On-line přístup:	Získat plný text
Tagy:	Přidat tag Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!

Buďte první, kdo okomentuje tento záznam!