Kategoryzacja podejść do radzenia sobie z klasami niezrównoważonymi

Jaki jest najlepszy sposób kategoryzacji podejść opracowanych w celu rozwiązania problemu klasy nierównowagi?

W tym artykule podzielono je na:

1. Przetwarzanie wstępne: obejmuje oversampling, undersampling i metody hybrydowe,
2. Uczenie wrażliwe na koszty: obejmuje metody bezpośrednie i meta-nauczanie, które to ostatnie dzieli się na progi i pobieranie próbek
3. Techniki zestawów: obejmują zestawy wrażliwe na koszty i przetwarzanie danych w połączeniu z uczeniem się zestawów.

Druga klasyfikacja:

1. Wstępne przetwarzanie danych: obejmuje zmianę dystrybucji i ważenie przestrzeni danych. Uczenie się w jednej klasie jest uważane za zmianę dystrybucji.
2. Metody uczenia się specjalnego
3. Prognozowanie Post-processing: obejmuje metodę progową i post-processing wrażliwy na koszty
4. Metody hybrydowe:

Trzeci artykuł :

1. Metody na poziomie danych
2. Metody na poziomie algorytmu
3. Metody hybrydowe

Ostatnia klasyfikacja uznaje również dostosowanie produkcji za podejście niezależne.

Z góry dziękuję.

Moim zdaniem wszystkie trzy kategoryzacje zgadzają się w wielu sprawach. Na przykład wszystkie trzy mają kategorię kroków wstępnego przetwarzania.

Zazwyczaj zgadzam się co do trzeciej kategoryzacji, ponieważ jest ona bardziej ogólna i obejmuje więcej rzeczy.

• Danych poziomu kategoria obejmuje wszystkie etapy przetwarzania wstępnego do czynienia ze stopniem braku równowagi (na przykład powyżej / poniżej próbkowania).
• Poziom algorytmu można uznać za obejmujący drugie kategorie pierwszych dwóch artykułów. Każda zmiana w algorytmie zajmującym się nierównowagą klas byłaby tutaj (np. Ważenie klas).
• Wreszcie kategoria hybrydowa do połączenia tych dwóch.

Jedyne, czego brakuje w pierwszych dwóch artykułach, to etapy przetwarzania końcowego, które, szczerze mówiąc, nie są stosowane w praktyce tak często jak inne.