Skip to main content
main-content

Tipp

Weitere Artikel dieser Ausgabe durch Wischen aufrufen

28.06.2018 | Regular Research Paper | Ausgabe 3/2019

Memetic Computing 3/2019

Class-specific cost-sensitive boosting weighted ELM for class imbalance learning

Zeitschrift:
Memetic Computing > Ausgabe 3/2019
Autoren:
Bhagat Singh Raghuwanshi, Sanyam Shukla
Wichtige Hinweise

Publisher's Note

Springer Nature remains neutral with regard to jurisdictional claims in published maps and institutional affiliations.

Abstract

Class imbalance problem happens when the training dataset contains significantly fewer instances of one class compared to another class. Traditional classification algorithms like extreme learning machine (ELM) and support vector machine (SVM) are biased towards the majority class. They minimize the least squares error due to which the minority class instances are usually misclassified. The classification algorithms like weighted ELM (WELM) and weighted SVM minimize the weighted least squares error to address the class imbalance problem effectively. The variants of WELM like boosting WELM, ensemble WELM etc. further improve the performance of WELM by employing ensemble method. This work proposes class-specific AdaC1, class-specific AdaC2 and class-specific AdaC3 algorithms for addressing the class imbalance problem more effectively. This work employs kernelized WELM as the component classifier to make the proposed ensemble. The proposed classifier ensembles are the variants of AdaC1, AdaC2 and AdaC3 algorithms. The cost-sensitive boosting classifiers AdaC1, AdaC2 and AdaC3 assign initial weights to the training instances without considering class skewness. This work assigns the initial weights to the training instances based on the class skewness. Moreover, the proposed ensemble rescales the weights assigned to the instances of each class after each iteration such that the total weight assigned to the instances belonging to each class remains equal. The proposed algorithms are assessed by employing the benchmark real-world imbalanced datasets downloaded from the KEEL dataset repository. The superiority of the proposed work over the other state-of-the-art ensemble methods for the class imbalance learning can be observed from the experimental results.

Bitte loggen Sie sich ein, um Zugang zu diesem Inhalt zu erhalten

Sie möchten Zugang zu diesem Inhalt erhalten? Dann informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

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

  • über 69.000 Bücher
  • über 500 Zeitschriften

aus folgenden Fachgebieten:

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

Testen Sie jetzt 30 Tage kostenlos.

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 50.000 Bücher
  • über 380 Zeitschriften

aus folgenden Fachgebieten:

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




Testen Sie jetzt 30 Tage kostenlos.

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 58.000 Bücher
  • über 300 Zeitschriften

aus folgenden Fachgebieten:

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




Testen Sie jetzt 30 Tage kostenlos.

Literatur
Über diesen Artikel

Weitere Artikel der Ausgabe 3/2019

Memetic Computing 3/2019 Zur Ausgabe

Premium Partner

    Bildnachweise