In questo documento, introduciamo un nuovo framework di trasformazione dei dati basato su
Apprendimento basato sull'opposizione (OBL) per aumentare le prestazioni del tradizionale
algoritmi di classificazione. Originariamente sviluppato per accelerare la convergenza in
compiti di ottimizzazione, OBL viene qui sfruttato per generare un opposto sintetico
campioni che sostituiscono i dati di addestramento acuto e migliorano il confine decisionale
formazione. Esploriamo tre varianti OBL; OBL globale, OBL di classe, E
OBL localizzato in termini di classe; e integrarli con diversi ampiamente utilizzati
classificatori, compresi i vicini K-più vicini (KNN), Supporta macchine vettoriali
(SVM), Regressione logistica (LR), e albero decisionale (DT). Esperimenti estesi
condotto su 26 set di dati eterogenei e ad alta dimensione lo dimostrano
I classificatori migliorati OBL superano costantemente le loro controparti standard in
termini di precisione e punteggio F1, spesso raggiungendo il quasi perfetto o il perfetto
classificazione. Inoltre, OBL contribuisce a migliorare il calcolo
efficienza, in particolare in SVM e LR. Questi risultati ne sottolineano il potenziale
di OBL come strategia di trasformazione dei dati leggera ma potente per il miglioramento
prestazione di classificazione, soprattutto nell'apprendimento complesso o sparso
ambienti.

Questo articolo esplora i giri e le loro implicazioni.

Scarica PDF: