불균형 클래스를 다루기위한 접근법의 분류

불균형 계급 문제를 해결하기 위해 개발 된 접근법을 분류하는 가장 좋은 방법은 무엇입니까?

이 기사는 다음과 같이 분류합니다.

1. 전처리 : 오버 샘플링, 언더 샘플링 및 하이브리드 방법,
2. 비용에 민감한 학습 : 직접 분석법과 메타 학습을 포함하며 후자는 임계 값과 샘플링으로 더 나뉘어집니다.
3. 앙상블 기술 : 앙상블 학습과 함께 비용에 민감한 앙상블 및 데이터 전처리를 포함합니다.

두 번째 분류 :

1. 데이터 전처리 : 분포 변경 및 데이터 공간 가중치를 포함합니다. 1 클래스 학습은 배포 변경으로 간주됩니다.
2. 특수 목적 학습 방법
3. 예측 사후 처리 : 임계 값 방법 및 비용에 민감한 사후 처리 포함
4. 하이브리드 방법 :

세 번째 기사 :

1. 데이터 수준 방법
2. 알고리즘 수준 방법
3. 하이브리드 방법

마지막 분류는 출력 조정을 독립적 인 접근 방식으로 간주합니다.

미리 감사드립니다.

내가 보는 방식은 세 가지 범주 모두가 많은 것들에 동의합니다. 예를 들어, 세 가지 모두 사전 처리 단계 범주가 있습니다.

나는 일반적으로 세 번째 분류가 더 일반적이고 더 많은 것을 포함한다는 데 동의하는 경향이 있습니다.

• 데이터 레벨 카테고리 (샘플링 / 언더 예) 이상 수준의 불균형을 다루는 임의의 전처리 단계를 포함한다.
• 알고리즘 수준은 처음 두 논문의 제 범주를 포함하는 것으로 간주 될 수있다. 클래스 불균형을 다루는 알고리즘이 변경되면 여기에갑니다 (예 : 클래스 가중치).
• 마지막 으로이 둘을 결합하기위한 하이브리드 범주입니다.

처음 두 기사에서 빠진 유일한 것은 후 처리 단계인데, 솔직히 말해서 다른 것만 큼 자주 사용되지는 않습니다.