典型文献
不平衡数据的Takagi-Sugeno-Kang模糊分类集成模型
文献摘要：
集成学习是非线性系统的主流建模方法之一.但当常规的集成TSK模糊模型直接用于不平衡数据集时,其学习性能容易受到数据不平衡性的影响,因而常常会导致泛化能力差.为解决这一问题,基于TSK模糊模型提出了一种对不平衡数据处理的分类集成模型.基本思想是:首先利用SMOTE过采样方法对不平衡样本集做预处理,使得类别分布相对平衡,再引入AdaBoost方法对集成TSK模糊模型进行学习,集成时根据权值大小对样本进行随机采样,并通过多次训练对权值进行迭代更新,最后将生成的各个模型结果根据特定的加权方法结合,产生最终输出,使各模型得到充分的训练,进而提升整个集成TSK模糊模型的泛化能力.由此,提出了对应的不平衡数据的集成TSK模糊模型,并使用模型在多个数据集上进行实验,采用均方误差和精度对模型进行评估均有较好的效果,然后改变模型数量和规则数量等参数探究它们对模型性能的影响,并使用图像表示它们的变化情况,实验结果证明了所提出的集成学习算法的有效性.
文献关键词：
TSK模糊模型;集成学习;AdaBoost;不平衡数据;SMOTE
中图分类号：
作者姓名：
张壮;王士同
作者机构：
江南大学 人工智能与计算机学院,江苏 无锡 214122
文献出处：
引用格式：
[1]张壮;王士同-.不平衡数据的Takagi-Sugeno-Kang模糊分类集成模型)[J].计算机科学与探索,2022(06):1374-1382
A类：
B类：
Takagi,Sugeno,Kang,模糊分类,分类集,集成模型,非线性系统,TSK,模糊模型,不平衡数据集,学习性,能容,数据不平衡,不平衡性,泛化能力,不平衡数据处理,基本思想,SMOTE,过采样,采样方法,不平衡样本,样本集,再引入,AdaBoost,权值,随机采样,迭代更新,均方误差,模型性能,集成学习算法
AB值：
0.363577
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
