PulseAugur
中
实时 10:53:13
English(EN) iCost: A Novel Instance-Complexity-Based Cost-Sensitive Learning Framework

新的iCost框架通过自适应惩罚解决类别不平衡问题

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出了一种新颖的成本敏感学习框架iCost，旨在解决分类任务中的类别不平衡问题。与对少数类实例应用统一惩罚的传统方法不同，iCost根据个体实例的估计学习难度动态调整惩罚。这种自适应方法旨在减少偏差并提高整体分类性能。该框架包含两种复杂度估计策略：Neighbor-iCost和Gini-iCost，并已发布为兼容scikit-learn的Python包。 AI

影响 该框架为处理不平衡数据集提供了一种更细致的方法，有可能提高各种应用中分类模型的准确性。

排序理由 该集群包含一篇详细介绍机器学习新算法和框架的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的iCost框架通过自适应惩罚解决类别不平衡问题

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Asif Newaz, Asif Ur Rahman Adib, Taskeed Jabid ·

    iCost: A Novel Instance-Complexity-Based Cost-Sensitive Learning Framework

    arXiv:2409.13007v3 Announce Type: replace-cross Abstract: Class imbalance poses a significant challenge in classification tasks, often causing standard learning algorithms to become biased toward the majority class. Cost-sensitive learning (CSL) addresses this issue by assigning …

相关实体

相关话题