AdaCost公司

AdaCost:错误分类成本敏感提升。AdaCost是AdaBoost的一个变种,是一种对错误分类的代价敏感的boosting方法。它使用错误分类的代价来更新连续推进回合的训练分布。其目的是比AdaBoost降低累积误分类代价。形式化地证明了AdaCost降低了训练集的累积误分类代价的上界。经验评估表明,与AdaBoost相比,在不消耗额外计算能力的情况下,累积误分类成本显著降低


zbMATH参考文献(参考 26篇文章 引用)

显示第1到第20个结果,共26个。
按年份排序(引用)
  1. De Bock,Koen W.;Coussement,Kristof;Lessmann,Stefan:错误分类成本不确定时的成本敏感业务失败预测:异质集成选择方法(2020)
  2. Kocheturov,Anton;Pardalos,Panos M.;Karakitsiou,Athanasia:计算生物医学的海量数据集和机器学习:趋势和挑战(2019)
  3. Maurya,Chandresh Kumar;Toshniwal,Durga:大规模分布式稀疏类不平衡学习(2018)
  4. Vanhoeyveld,Jellis;Martens,David:稀疏和大型行为数据集中的不平衡分类(2018)
  5. 吴玉平;林,田萱:成本敏感多标签分类的渐进随机(k)标签集(2017)
  6. 尼古拉,尼古拉斯;伊达昆尼,纳拉亚南;库尔,米利斯;弗莱奇,彼得;布朗,加文:成本敏感的提升算法:我们真的需要它们吗?(2016年)
  7. 李秋杰;毛耀斌:非平衡数据分类boosting方法述评(2014)
  8. 维多利亚州的洛佩斯;阿尔伯托的费尔南德斯;萨尔瓦多的加西亚;瓦西里的帕拉德;弗朗西斯科的赫雷拉:对不平衡数据分类的洞察:使用数据内在特征的实证结果和当前趋势(2013年)ioport公司
  9. 尹庆炎;张庆炎;张,江社;张春霞;刘胜才:不同阶级失衡水平下成本敏感boosting算法性能的实证研究(2013)ioport公司
  10. 赵,洪;闵,范;朱,威廉:具有测量误差的数值数据的成本敏感特征选择(2013)
  11. 斯科特,克莱顿:校准的不对称替代损失(2012年)
  12. 袁波;刘文煌:面向测量的培训:不平衡分类问题的有针对性方法(2012)ioport公司
  13. 闵,范;何华平;钱,余华;朱,威廉:测试成本敏感属性约简(2011)ioport公司
  14. Song,Jie;Lu,Xiaoling;Liu,Miao;Wu,Xizhi:两类非平衡数据分类的分层规范化logitboost(2011)
  15. Brian Kriegler;Berk,Richard:洛杉矶无家可归者的小区域估计:成本敏感随机梯度提升的应用(2010)
  16. Wang,Benjamin X.;Japkowicz,Nathalie:用于不平衡数据集的Boosting支持向量机(2010)ioport公司
  17. 吴俊杰,熊,辉,陈,建:稀有类分析的局部分解(2010)ioport公司
  18. 格拉迪,尼古拉斯;贝森斯,巴特;克劳克斯,克里斯托夫:使用客户终身价值建模客户流失(2009)
  19. 闵,范;刘启和:测试成本敏感决策系统的层次模型(2009)
  20. Santos Rodríguez,劳尔;Guerrero Curieses,Alicia;Alaiz Rodríguez,Rocío;Cid Sueiro,Jesús:基于Bregman分歧的成本敏感学习(2009)ioport公司