不平衡类处理方法的分类

Question

什么是最好的分类方法，已发展的方法，以处理不平衡的阶级问题？

此文章将它们分类为：

1. 预处理:包括过采样、欠采样和混合方法，
2. 成本敏感学习:包括直接学习和元学习，后者进一步分为阈值学习和抽样学习，
3. 集成技术:包括成本敏感的集成和数据预处理与集成学习。

第二分类：

1. 数据预处理:包括分布变化和数据空间加权.单班学习被认为是分布变化.
2. 特殊目的学习方法
3. 预测后处理:包括阈值法和成本敏感的后处理。
4. 混合方法：

第三文章:

1. 数据级方法
2. 算法级方法
3. 混合方法

最后一种分类也认为产出调整是一种独立的方法。

提前谢谢。

Answer 1

在我看来，这三种分类在许多方面都是一致的。例如，这三个步骤都有一个预处理步骤的类别.

我倾向于同意第三种分类，因为它更通用，包含更多的东西。

• 数据级别类别包括处理类不平衡的任何预处理步骤(例如，过采样/低于采样)。
• 算法级可以被认为包括前两篇文章的第二类。对处理类不平衡的算法的任何更改都将在这里进行(例如，类加权)。
• 最后，将两者结合为一个混合范畴。

前两篇文章中唯一缺少的是后处理步骤，老实说，这些步骤在实践中并没有像另一篇那样经常使用。