En los últimos años, el problema del aprendizaje desequilibrado ha atraído cada vez más la atención tanto del mundo académico como de la industria, y el problema tiene que ver con el rendimiento de los algoritmos de aprendizaje en presencia de datos con fuertes sesgos en la distribución de las clases. En este artículo, aplicamos el conocido modelo estadístico de discriminación logística a este problema y proponemos un nuevo método para mejorar su rendimiento. Para considerar plenamente el desequilibrio de clases, diseñamos una nueva función de coste que tiene en cuenta las precisiones de la clase positiva y de la clase negativa, así como la precisión de la clase positiva. A diferencia de la discriminación logística tradicional, el método propuesto aprende sus parámetros maximizando la función de coste propuesta. Los resultados experimentales muestran que, en comparación con otros métodos del estado del arte, el propuesto muestra un rendimiento significativamente mejor en las medidas de recuerdo, media g, medida f, AUC y precisión.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Control difuso avanzado de modo deslizante de tipo 2 para un robot manipulador
Artículo:
Nanopartículas de BN/Compuestos transparentes a las ondas de Si3N4 con alta resistencia y baja constante dieléctrica
Artículo:
Uso de una red neuronal basada en la cuantificación vectorial optimizada (LVQ) para el reconocimiento de fraudes contables
Artículo:
Comparación y validación de modelos de aprendizaje profundo para el diagnóstico de la neumonía
Artículo:
Algoritmo dinámico basado en reglas para ajustar las restricciones de insulina en la placa de un sistema híbrido de páncreas artificial