|
Title:
|
A post-processing strategy for SVM learning from unbalanced data
|
|
Author:
|
Núñez Castro, Haydemar; González Abril, Luis; Angulo Bahón, Cecilio
|
|
Other authors:
|
Universitat Politècnica de Catalunya. Departament d'Enginyeria de Sistemes, Automàtica i Informàtica Industrial; Universitat Politècnica de Catalunya. GREC - Grup de Recerca en Enginyeria del Coneixement |
|
Abstract:
|
Standard learning algorithms may perform poorly when learning
from unbalanced datasets. Based on the Fisher’s discriminant analysis,
a post-processing strategy is introduced to deal datasets with significant
imbalance in the data distribution. A new bias is defined, which reduces
skew towards the minority class. Empirical results from experiments for
a learned SVM model on twelve UCI datasets indicates that the proposed
solution improves the original SVM, and they also improve those reported
when using a z-SVM, in terms of g-mean and sensitivity. |
|
Abstract:
|
Peer Reviewed |
|
Subject(s):
|
-Àrees temàtiques de la UPC::Enginyeria electrònica::Microelectrònica::Sistemes digitals programables
-Àrees temàtiques de la UPC::Informàtica::Intel·ligència artificial::Aprenentatge automàtic
-Support vector machines
-Machine learning--Mathematical models
-Aprenentatge automàtic -- Algorismes
-Sistemes experts (Informàtica) -- Autoaprenentatge |
|
Rights:
|
|
|
Document type:
|
Article - Submitted version
Conference Object |
|
Share:
|
|
