Déséquilibre multi-classes : une approche évidentielle de rééchantillonnage hybride - Archive ouverte HAL Accéder directement au contenu
Communication Dans Un Congrès Année : 2022

Multi-class imbalance: an evidential hybrid resampling approach

Déséquilibre multi-classes : une approche évidentielle de rééchantillonnage hybride

Résumé

Learning from class-imbalanced datasets has gained substantial attention in machine learning community. Yet, there has been little emphasis given to dealing with multiclass imbalance learning. In this paper, we present an evidential hybrid resampling method for dealing with class imbalance in the multi-class setting. This technique uses the belief function theory to assign a soft label to each object. This evidential modeling provides more information about each object’s region, which improves the selection of objects in both undersampling and oversampling. An adjustment has also been integrated in order to avoid excessive oversampling and undersampling. Benchmarking results have shown significant improvement of G-Mean of AUC metrics over other popular resampling methods.
La classification, dans le cas d'ensembles de données déséquilibrés, connait un intérêt considérable dans la communauté de l'apprentissage automatique. Dans cet article, nous présentons une méthode de rééchantillonnage hybride évidentiel pour traiter le déséquilibre des classes dans un contexte multi-classes. Cette technique exploite la théorie des fonctions de croyance pour attribuer une étiquette évidentielle à chaque objet. Cette représentation fournit plus d'informations sur la région de chaque observation, ce qui améliore la sélection des objets à la fois pour le sous-échantillonnage et le sur-échantillonnage. Un ajustement a également été intégré afin d'éviter un sur-échantillonnage et un sous-échantillonnage excessifs. Des résultats ont montré une amélioration significative des mesures G-Mean et AUC par rapport à d'autres méthodes classiques de rééchantillonnage.
Fichier principal
Vignette du fichier
lfa2022grina.pdf (266.57 Ko) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)

Dates et versions

hal-03840621 , version 1 (05-11-2022)

Identifiants

  • HAL Id : hal-03840621 , version 1

Citer

Fares Grina, Zied Elouedi, Eric Lefevre. Déséquilibre multi-classes : une approche évidentielle de rééchantillonnage hybride. 31e Rencontres Francophones sur la Logique Floue et ses Applications, LFA'2022, Oct 2022, Toulouse, France. pp.255-262. ⟨hal-03840621⟩

Collections

UNIV-ARTOIS LGI2A
30 Consultations
66 Téléchargements

Partager

Gmail Facebook X LinkedIn More