In diesem Papier, Wir stellen ein neuartiges Datentransformations-Framework vor, das darauf basiert
Oppositionsbasiertes Lernen (OBL) um die Leistung von traditionellen zu steigern
Klassifizierungsalgorithmen. Ursprünglich entwickelt, um die Konvergenz zu beschleunigen
Optimierungsaufgaben, OBL wird hier genutzt, um synthetisches Gegenteil zu erzeugen
Proben, die die akuten Trainingsdaten ersetzen und die Entscheidungsgrenze verbessern
Bildung. Wir untersuchen drei OBL-Varianten; Globale OBL, Klassenweise OBL, Und
Lokalisierte klassenbezogene OBL; und integrieren Sie sie mit mehreren weit verbreiteten
Klassifikatoren, einschließlich K-Nächste Nachbarn (KNN), Unterstützen Sie Vektormaschinen
(SVM), Logistische Regression (LR), und Entscheidungsbaum (DT). Umfangreiche Experimente
durchgeführt am 26 Heterogene und hochdimensionale Datensätze zeigen dies
OBL-erweiterte Klassifikatoren übertreffen ihre Standard-Gegenstücke durchweg
hinsichtlich Genauigkeit und F1-Score, häufig nahezu perfekt oder perfekt erreichen
Einstufung. Außerdem, OBL trägt zu einer verbesserten Rechenleistung bei
Effizienz, insbesondere in SVM und LR. Diese Erkenntnisse unterstreichen das Potenzial
von OBL als leichte, aber leistungsstarke Datentransformationsstrategie zur Verbesserung
Klassifizierungsleistung, insbesondere bei komplexem oder spärlichem Lernen
Umgebungen.

Dieser Artikel untersucht Zeitreisen und deren Auswirkungen.

PDF herunterladen: