论文部分内容阅读
提出了一种新的适用于不平衡数据集的Adaboost算法（ILAdaboost），该算法利用每一轮学习到的基分类器对原始数据集进行测试评估，并根据评估结果将原始数据集分成四个子集，然后在四个子集中重新采样形成平衡的数据集供下一轮基分类器学习，由于抽样过程中更加倾向于少数类和分错的多数类，故合成分类器的分界面会偏离少数类。该算法在UCI的10个典型不平衡数据集上进行实验，在保证多数类分类精度的同时提高了少数类的分类精度以及GMA。