基于角度的成本敏感多类别分类

@第{Yang2020条AngleBasedCM，title={基于角度的成本敏感多类别分类}，author={Yi Yang和Yu Xia Guo和Xiang Chang}，日志={计算统计数据分析}，年份={2020年}，体积={156}，页码={107107}，网址={https://api.semanticscholar.org/CorpusID:212633459}}
[PDF]语义阅读器
4引文
方法引文
1

本文图表

询问这篇论文
贝塔
人工智能驱动

我们的系统试图限制本文中找到的信息。结果质量可能有所不同。了解更多信息关于我们如何产生这些答案。

4引文

基于单纯形的邻近多类别支持向量机

本研究提出了一种常规MSVM的一般改进，称为基于单纯形的近端MSVM（SPMSVM），它使用一种新的平方误差损失函数族来代替铰链损失，并通过简单结构消除了显式和零约束。

成本敏感型大毛利分类器的毛利分摊方法

采用分配利润框架来解决成本敏感的多类别分类问题，其中重要类别的敏感性增加，而次要类别的敏感性降低，这使得共享相同边界的类别之间的利润可以有效转移。

一种基于Web语义的文本分析方法，利用PU学习和负采样增强命名实体识别

一种稳健的净入学率方法，将新型PU学习算法与负采样相结合，并采用两步程序处理未标记实体，从而增强其缓解此类实体影响的能力。

与RKBS相关的核正则化在线二进制分类学习收敛性的理论分析

研究了在再生核Banach空间（RKBS）环境下，核正则化在线二进制分类学习算法的收敛性，设计了一种具有范数次微分和逻辑损失的在线迭代算法，并给出了学习率的上界。

47参考文献

非平衡数据分类的代价敏感提升

提高成本敏感多类分类中的广义余量

提出了一种新的代价敏感的多类boosting算法，该算法自然地扩展了流行的二进制AdaBoost算法，允许不相等的误分类代价，并通过组合只需要优于随机猜测的弱候选模型来获得优异的分类性能。

BAdaCost：具有成本的多类别提升

成本敏感性提升

结果表明，在弱学习者凸组合的函数空间中，这些条件可以导出通过梯度下降可以最小化的成本敏感损失，从而产生新的boosting算法。

具有p-范数损失函数的多类成本敏感升压

结果表明，所提出的方案在成本最小化方面通常取得了较好的结果，并且在某些情况下使用高阶p-范数损失，始终优于比较方法，从而确立了其经验优势。

通过成本比例示例加权实现成本敏感学习

提出了一种基于成本比例拒绝采样和集成聚合的成本计算方法，该方法在两个公开可用的数据集上实现了优异的预测性能，同时大大减少了其他方法所需的计算量。

基于多类别角度的大边缘分类。

所提出的基于角度的分类器考虑了一种不受和零约束的基于单纯形的预测规则，并且计算效率更高。

多类别大边缘统一机

提出了一种新的多类别LUM（MLUM）框架，用于研究软分类和硬分类在多类别设置下的行为及其从软分类器到硬分类器的转换行为，理论和数值结果表明，所提出的调整后的MLUM产生了非常有竞争力的性能。

用解决类别不平衡问题的方法训练成本敏感神经网络

实证研究表明，一些被认为在解决班级不平衡问题方面有效的方法，实际上可能只对不平衡的两个班级数据集的学习有效。

使用二值化技术处理多类问题和非胜任分类器的成本敏感反向传播神经网络