研究人员开发了新的方法来解决回归任务中的数据不平衡问题，这是一个常见的导致模型性能偏差的问题，尤其是在预测稀有事件时。该研究引入了新的采样技术 cSMOGN 和 crbSMOGN，以及密度-距离和密度-比率相关函数，以更好地整合数据频率与领域特定偏好。使用神经网络、XGBoosting 和 Random Forest 模型在大量合成和真实世界数据集上进行的评估表明，虽然大多数策略提高了稀有样本的性能，但它们通常会降低常见样本的性能。提出的 crbSMOGN 技术，尤其是在神经网络上的应用，在性能上优于现有的最先进方法。 AI
影响 引入新技术以提高回归模型在数据不平衡场景下的可靠性。
排序理由 研究论文，详细介绍了回归中数据不平衡缓解的新方法。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
