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.
Origine | Fichiers produits par l'(les) auteur(s) |
---|