W zależności od ilości danych do przetworzenia generowanie pliku może się wydłużyć.

Jeśli generowanie trwa zbyt długo można ograniczyć dane np. zmniejszając zakres lat.

Rozdział

Pobierz BibTeX

Tytuł

Diversity Analysis on Imbalanced Data Using Neighbourhood and Roughly Balanced Bagging Ensembles

Autorzy

[ 1 ] Instytut Informatyki, Wydział Informatyki, Politechnika Poznańska | [ P ] pracownik

Rok publikacji

2016

Typ rozdziału

referat

Język publikacji

angielski

Słowa kluczowe
EN
  • class imbalance
  • ensembles
  • roughly balanced bagging
  • neighbourhood balanced bagging
  • Diversity
  • parametrization
Streszczenie

EN Bagging ensembles proved to work better than boosting for class imbalanced and noisy data. We compare performance and diversity of the two best performing, in this setting, bagging ensembles: Roughly Balanced Bagging (RBBag) and Neighbourhood Balanced Bagging (NBBag). We show that NBBag makes correct prediction on a higher than RBBag number of difficult to learn minority examples. Then we detect a trade-off between correct recognition of difficult minority examples and majority examples, which makes RBBag better in some cases. We also introduce a simple but effective technique to select parameters for NBBag.

Strony (od-do)

552 - 562

DOI

10.1007/978-3-319-39378-0_47

URL

https://link.springer.com/chapter/10.1007/978-3-319-39378-0_47

Książka

Artificial Intelligence and Soft Computing : 15th International Conference, ICAISC 2016, Zakopane, Poland, June 12-16, 2016 : Proceedings : Part 1

Zaprezentowany na

15th International Conference on Artificial Intelligence and Soft Computing, ICAISC 2016, 12-16.06.2016, Zakopane, Poland

Publikacja indeksowana w

WoS (15)

Ta strona używa plików Cookies, w celu zapamiętania uwierzytelnionej sesji użytkownika. Aby dowiedzieć się więcej przeczytaj o plikach Cookies i Polityce Prywatności.