A post-processing strategy for SVM learning from unbalanced data
Visualitza/Obre
Estadístiques de LA Referencia / Recolecta
Inclou dades d'ús des de 2022
Cita com:
hdl:2117/12531
Tipus de documentComunicació de congrés
Data publicació2011
Condicions d'accésAccés obert
Tots els drets reservats. Aquesta obra està protegida pels drets de propietat intel·lectual i
industrial corresponents. Sense perjudici de les exempcions legals existents, queda prohibida la seva
reproducció, distribució, comunicació pública o transformació sense l'autorització del titular dels drets
Abstract
Standard learning algorithms may perform poorly when learning
from unbalanced datasets. Based on the Fisher’s discriminant analysis,
a post-processing strategy is introduced to deal datasets with significant
imbalance in the data distribution. A new bias is defined, which reduces
skew towards the minority class. Empirical results from experiments for
a learned SVM model on twelve UCI datasets indicates that the proposed
solution improves the original SVM, and they also improve those reported
when using a z-SVM, in terms of g-mean and sensitivity.
CitacióNúñez, H.; González, L.; Angulo, C. A post-processing strategy for SVM learning from unbalanced data. A: European Symposium on Artificial Neural Networks, Computational Intelligence and Machine Learning. "19th European Symposium on Artificial Neural Networks, Computational Intelligence and Machine Learning". Bruges: 2011, p. 195-200.
Dipòsit legalD2011/9262/2
ISBN978-2-87419-044-5
Fitxers | Descripció | Mida | Format | Visualitza |
---|---|---|---|---|
esann2011_short_final_R2.pdf | 101,9Kb | Visualitza/Obre |