研究人员开发了K-IPO，一种新颖的过采样技术，旨在解决表格数据中的类别不平衡问题，同时不扭曲特征重要性排序。该框架与生成器无关，它迭代地生成少数类样本，并且仅当它们与原始数据的特征重要性排序保持指定的Kendall's tau相关性时才接受它们。在20个数据集上的评估表明，K-IPO在保留特征重要性、增强解释一致性以及提高各种分类器的预测性能方面是有效的。 AI
影响 该方法可以提高在不平衡数据集上训练的机器学习模型的解释性和性能。
排序理由 该集群包含一篇详细介绍机器学习新方法的学术论文。[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 →
