Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
An Adaptive Position Synchronization Controller Using Orthogonal Neural Network for 3-DOF Planar Parallel Manipulators Kapitel lesen Erstes Kapitel lesen

2017 | OriginalPaper | Buchkapitel

An Effective Sampling Strategy for Ensemble Learning with Imbalanced Data

verfasst von : Chen Zhang, Xiaolong Zhang

Erschienen in: Intelligent Computing Methodologies

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Classification of imbalanced datasets is one of the challenges in machine learning and data mining domains. The traditional classifiers still need to handle with minority instances. In this paper, we propose an effective method which applies sampling method based on ensemble learning. It uses Adaboost-SVM based on spectral clustering to boost the performance. This method also uses over-sampling and under-sampling methods based on the misclassified instances got by ensemble learning. Compared with the preview algorithms, the experiment results show that the proposed method is effective in dealing with imbalanced data in binary classification.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Innovative Research of Financial Risk Based on Financial Soliton Theory and Big Data Ideation
Nächstes Kapitel Adaptive Kendall’s τ Correlation in Bipartite Network for Recommendation
Literatur
1.
Chawla, N.V., Japkowicz, N., Kotcz, A.: Editorial: special issue on learning from imbalanced data sets. J. Acm SIGKDD Explor. Newslett. 6, 1–6 (2004)CrossRef
2.
Gao, J.W., Liang, J.Y.: Research and advancement of classification method of imbalanced data sets. J. Comput. Sci. 35, 10–13 (2008)
3.
Tahir, M.A., Kittler, J., Yan, F.: Inverse random under sampling for class imbalance problem and its application to multi-label classification. J. Pattern Recogn. 45, 3738–3750 (2012)CrossRef
4.
Chawla, N.V., Cieslak, D.A., Hall, L.O.: Automatically countering imbalance and its empirical relationship to cost. J. Data Mining Knowl. Discov. 17, 225–252 (2008)MathSciNetCrossRef
5.
Sun, Z., Song, Q., Zhu, X.: A novel ensemble method for classifying imbalanced data. J. Pattern Recogn. 48, 1623–1637 (2015)CrossRef
6.
Chawla, N.V., Bowyer, K.W., Hall, L.O.: Smote: synthetic minority over-sampling technique. J. Artif. Intell. Res. 16, 321–357 (2002)MATH
7.
Han, H., Wang, W.Y., Mao, B.H.: Borderline-smote: a new over-sampling method in imbalanced data sets learning. J. Lect. Notes Comput. Sci. 3644, 878–887 (2005)CrossRef
8.
Bunkhumpornpat, C., Sinapiromsaran, K., Lursinsap, C.: Safe-level-smote: safe-level-synthetic minority over-sampling technique for handling the class imbalanced problem. Adv. Knowl. Discov. Data Mining 5476, 475–482 (2009)CrossRef
9.
Fan, W., Stolfo, S.J, Zhang, J.: AdaCost: misclassification cost-sensitive boosting. In: Sixteenth International Conference on Machine Learning, pp. 97–105 . Morgan Kaufmann Publishers Inc. (1999)
10.
Lertampaiporn, S., Thammarongtham, C., Nukoolkit, C.: Heterogeneous ensemble approach with discriminative features and modified-SMOTEbagging for pre-miRNA classification. J. Nucleic Acids Res. 41, e21 (2013)CrossRef
11.
Chawla, N.V., Lazarevic, A., Hall, L.O.: Smoteboost: improving prediction of the minority class in boosting. J. Lect. Notes Comput. Sci. 2838, 107–119 (2003)CrossRef
12.
Seiffert, C., Khoshgoftaar, T.M., Hulse, J.V.: Rusboost: a hybrid approach to alleviating class imbalance. J IEEE Trans. Syst. Man Cybern. 40, 185–197 (2010)CrossRef
13.
Wang, C., Hongye, S.U., Yu, Q.U.: Imbalanced data sets classification method based on over-sampling technique. J. Comput. Eng. Appl. 47, 139–143 (2011)
14.
Li, X.F., Li, J., Dong, Y.F.: A new learning algorithm for imbalanced data—pcboost. J. Chinese J. Comput. 2, 202–209 (2012)MathSciNetCrossRef
15.
Sobhani, P., Viktor, H., Matwin, S.: Learning from imbalanced data using ensemble methods and cluster-based undersampling. In: Appice, A., Ceci, M., Loglisci, C., Manco, G., Masciari, E., Ras, Z.W. (eds.) NFMCP 2014. LNCS, vol. 8983, pp. 69–83. Springer, Cham (2015). doi:10.​1007/​978-3-319-17876-9_​5
16.
Sun, Z., Song, Q., Zhu, X.: Using coding-based ensemble learning to improve software defect prediction. J. IEEE Trans. Syst. Man Cybern. Part C 42, 1806–1817 (2012)CrossRef
17.
Schapire, R.E.: The strength of weak learnability. J. Mach. Learn. 5, 197–227 (1990)
18.
Freund, Y., Schapire, R.E.: A decision-theoretic generalization of on-line learning and an application to boosting. J. Comput. Syst. Sci. 55, 119–139 (1999)CrossRefMATH
19.
Li, X., Wang, L., Sung, E.: Adaboost with SVM-based component classifiers. J. Eng. Appl. Artif. Intell. 21, 785–795 (2008)CrossRef
20.
Bradley, A.P.: The use of the area under the ROC curve in the evaluation of machine learning algorithms. J. Pattern Recogn. 30, 1145–1159 (1997)CrossRef
21.
Huang, J., Ling, C.X.: Using AUC and accuracy in evaluating learning algorithms. J. IEEE Trans. Knowl. Data Eng. 17, 299–310 (2005)CrossRef
22.
Metadaten
Titel
An Effective Sampling Strategy for Ensemble Learning with Imbalanced Data
verfasst von
Chen Zhang
Xiaolong Zhang
Copyright-Jahr
2017
Buch
Intelligent Computing Methodologies

Print ISBN: 978-3-319-63314-5

Electronic ISBN: 978-3-319-63315-2

Copyright-Jahr: 2017

DOI
https://doi.org/10.1007/978-3-319-63315-2_33