论文修改建议 (Zhang XM 20210922)

最新推荐文章于 2025-08-15 23:13:00 发布

最新推荐文章于 2025-08-15 23:13:00 发布 · 178 阅读

文章标签：

#机器学习 #自然语言处理

论文修改建议专栏收录该内容

41 篇文章

订阅专栏

本文探讨了在小样本不平衡数据集上应用传统机器学习所面临的挑战，特别是针对正类样本稀缺的情况。重点介绍了在微生物数据集这类特殊场景下进行代价敏感分类的方法，并讨论了通过KPCA等手段进行数据降维以提升后续处理效率的技术。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

                    
                    基于传统机器学习训练出的模型优劣在很大程度上取决于样本数量，而在不平衡的小样本数据集中，正类数据量不足的问题成为了阻碍传统机器学习在解决不平衡数据集分类问题上的关键。

→\to→ 句子太长

→\to→ 词组重复率过高

→\to→ 究竟是样本少，还是不平衡问题？其实并没有解决样本少的问题。

→\to→ 在实际应用中，我们注重把多少正类样本正确地选出，而不是把多少负类样本错误地选出。

在微生物数据集中，正类样本比例小但价值高，如何进行代价敏感分类是机器学习的核心问题。
降维模块，利用KPCA对原始数据集中的特征进行降维，降维的主要目的为降低GAN网络生成数据时的难度及分类器分类的难度

→\to→ 不要把 GAN 这些后面的事情拿到前面来说

降维模块指在获得数据更好、更简洁、更抽象的表示。