Dans ce document, nous introduisons un nouveau cadre de transformation de données basé sur
Apprentissage basé sur l'opposition (OBL) pour booster les performances des systèmes traditionnels
algorithmes de classification. Initialement développé pour accélérer la convergence dans
tâches d'optimisation, OBL est exploité ici pour générer des opposés synthétiques
des échantillons qui remplacent les données d'entraînement aigu et améliorent les limites de décision
formation. Nous explorons trois variantes OBL; OBL mondial, OBL par classe, et
OBL localisé par classe; et intégrez-les à plusieurs applications largement utilisées
classificateurs, y compris les K-voisins les plus proches (KNN), Machines à vecteurs de support
(SVM), Régression logistique (LR), et arbre de décision (DT). Des expériences approfondies
menée sur 26 des ensembles de données hétérogènes et de grande dimension démontrent que
Les classificateurs améliorés par OBL surpassent systématiquement leurs homologues standards dans
termes de précision et de score F1, atteignant fréquemment un niveau proche de la perfection ou parfait
classification. En outre, OBL contribue à améliorer le calcul
efficacité, notamment en SVM et LR. Ces résultats soulignent le potentiel
d'OBL en tant que stratégie de transformation de données légère mais puissante pour améliorer
performances de classement, surtout dans les apprentissages complexes ou clairsemés
environnements.

Cet article explore les excursions dans le temps et leurs implications.

Télécharger PDF: