Máquinas de soporte vectorial sobre conjuntos de datos no balanceados: propuesta de un nuevo sesgo
Visualitza/Obre
Estadístiques de LA Referencia / Recolecta
Inclou dades d'ús des de 2022
Cita com:
hdl:2117/16807
Tipus de documentReport de recerca
Data publicació2012-09
Condicions d'accésAccés obert
Llevat que s'hi indiqui el contrari, els
continguts d'aquesta obra estan subjectes a la llicència de Creative Commons
:
Reconeixement-NoComercial-SenseObraDerivada 3.0 Espanya
Abstract
En el aprendizaje con conjuntos de datos no balanceados, la máquina de soporte vectorial (SVM) puede exhibir un bajo rendimiento sobre la clase minoritaria ya que, como otras máquinas de aprendizaje, están diseñadas para inducir un modelo de clasificación basado en un error global. Con el fin de mejorar su desempeño en este tipo de problemas, en este trabajo se propone una estrategia de post-procesamiento basada en el cálculo de un nuevo sesgo o umbral que toma en cuenta la proporción de las clases en el conjunto de datos y que permite ajustar la función aprendida por la SVM para mejorar su desempeño sobre la clase minoritaria. Esta solución no supone la entonación de nuevos parámetros ni la modificación del problema de optimización estándar para entrenar la SVM. Los resultados obtenidos de la experimentación sobre 23 conjuntos de datos con diferentes grados de desbalance, muestran que efectivamente se logra mejorar las clasificaciones sobre la clase minoritaria, medidas en función de g-media y la sensibilidad.
CitacióNúñez, H.; González, L.; Angulo, C. "Máquinas de soporte vectorial sobre conjuntos de datos no balanceados: propuesta de un nuevo sesgo". 2012.
Forma partRT 2012-06
URL repositori externhttp://www.ciens.ucv.ve/escueladecomputacion/documentos/archivo/186
Fitxers | Descripció | Mida | Format | Visualitza |
---|---|---|---|---|
RT-2012-06.pdf | 532,6Kb | Visualitza/Obre |