实体
SMOTE-Tomek
SMOTE-Tomek
PulseAugur coverage of SMOTE-Tomek — every cluster mentioning SMOTE-Tomek across labs, papers, and developer communities, ranked by signal.
总计 · 30天
0
90 天内 2
发布 · 30天
0
90 天内 0
论文 · 30天
0
90 天内 2
层级分布 · 90 天
主题
最近 · 第 1/1 页 · 共 2 条
-
SMOTE-Tomek提升软件需求分类准确性
研究人员通过将SMOTE-Tomek预处理技术应用于PROMISE数据集，改进了软件需求的分类。该方法有效解决了数据集中存在的类别不平衡问题，该数据集包含969个被归类为功能性或非功能性的需求。该方法显著提高了分类准确性，逻辑回归的准确率达到了76.16%，而基线准确率为58.31%，证明了机器学习在需求工程中提供可扩展且可解释的解决方案的实用性。
-
数据平衡策略：重采样和增强方法的系统性调查
本文对机器学习中的数据平衡策略进行了系统性回顾，涵盖了重采样和增强技术。它将方法从 SMOTE 等基础方法归类到先进的深度生成模型和集成策略。回顾强调，最佳方法的选择高度依赖于数据集特征和评估指标，并指出了未来的研究方向，例如将基础模型适应偏斜分布。