山东大学学报(工学版)

作者：王丽,于明仟,刘文鹏,周瑜,郑蕊蕊,贺建军

单位：大连民族大学信息与通信工程学院, 辽宁 大连 116000

关键词：偏标记学习,类不平衡,K近邻分类,Parzen窗估计,代价敏感策略,

基金：国家自然科学基金资助项目(62102062,61972068);辽宁省自然科学基金资助项目(2020-MS-134,2020-MZLH-29,20180550625)

针对于类不平衡的偏标记学习问题,在PL-KNN算法的基础上,提出一种可以较有效处理类不平衡问题的偏标记K近邻学习算法(K-nearest neighbor algorithm for class imbalanced partial label learning,IM-PLKNN),利用Parzen窗估计法在样本的不同类别的近邻上设置不同的权重,使多数类样本权重降低,让属于少数类样本的近邻具有更高的权重,降低将少数类样本误测为多数类样本的概率,提高对少数类样本的识别精度。试验结果表明,IM-PLKNN算法较PL-KNN算法在不同评价指标上均有显著提高,特别是对少数类样本的识别精度有大幅度提高。IM-PLKNN算法可以有效提高类不平衡的偏标记K近邻学习算法对数据集整体的预测性能。

来源：2022年第3期

《山东大学学报(工学版)》期刊编辑部

查看山东大学学报(工学版)杂志2022年第3期