声明
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。
国内刊号：51-1196/TP
国际刊号：1001-3695
发布日期:
作者：姚佳奇,徐正国,燕继坤,王科人,
单位：盲信号处理重点实验室,成都610041；
关键词：不平衡分类,加权成对损失,AUC优化,
类别不平衡数据是指不同类别的样本数目差异很大，AUC（area under the ROC curve）是衡量不平衡数据分类器性能的一个重要指标，由于AUC不可微，研究者提出了众多替代成对损失函数优化AUC。成对损失的样本对数目为正负样本数目的乘积，大量成对损失较小的正负样本对影响了分类器的性能。针对这一问题，提出了一种加权的成对损失函数WPLoss，通过赋予成对损失较大的正负样本对更高的损失权重，减少大量成对损失较小的正负样本对的影响，进而提升分类器的性能。在20newsgroup和Reuters-21578数据集上的实验结果验证了WPLoss的有效性，表明WPLoss能够提升面向不平衡数据的分类器性能。
来源：2021年第3期
《计算机应用研究》期刊编辑部
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。