代价敏感的k近邻方法
在机器学习和数据挖掘领域中,分类器通常设计为最小化测试样本的错误率,然而这只有在所有错误具有相同的错误分类代价时才有意义.在现实问题中,不同情况下的错误往往具有不同的代价,分类器应该设计为最小化总体错误分类代价.实现了一种基于示例加权的代价敏感k近邻方法,通过对不同类别的样本赋予不同的权值来获得代价敏感学习能力,其中样本的权值和其所在类别的错误分类代价成正比.实验结果表明,该方法在两类问题上能显著降低总体代价。
机器学习 代价敏感学习 k近邻 示例加权 数据挖掘 分类代价
刘胥影 周志华
南京大学计算机软件新技术国家重点实验室,南京,210093
国内会议
北京
中文
23-27
2005-09-23（万方平台首次上网日期，不代表论文的发表时间）