面对类别不平衡的增量在线序列极限学习机
针对在线序列极限学习机对于类别不平衡数据的学习效率低、分类准确率差的问题,提出了面对类别不平衡的增量在线序列极限学习机(IOS-ELM).该算法根据类别不平衡比例调整平衡因子,利用分块矩阵的广义逆矩阵对隐含层节点数进行寻优,提高了模型对类别不平衡数据的在线处理能力,最后通过14个二类和多类不平衡数据集对该算法有效性和可行性进行验证.实验结果表明:该算法与同类其他算法相比具有更好的泛化性和准确率,适用于类别不平衡场景下的在线学习.
类别不平衡学习、增量、无逆矩阵、在线学习、极限学习机、分类、多类不平衡、神经网络
15
TP181(自动化基础理论)
国家自然科学基金项目61170122
2020-10-14(万方平台首次上网日期,不代表论文的发表时间)
共8页
520-527