Глоссарий ИИ
Полный словарь искусственного интеллекта
Взвешенный SVM
Вариант SVM, который назначает разные штрафы за ошибки классификации в зависимости от классов, позволяя компенсировать дисбаланс путем более строгого наказания за ошибки на миноритарном классе.
Чувствительный к затратам SVM
Подход SVM, который напрямую интегрирует затраты на неправильную классификацию в целевую функцию, оптимизируя не только разрыв, но и общую стоимость ошибок в соответствии с их бизнес-важностью.
Взвешивание классов
Техника настройки весов классов в алгоритме SVM, где каждый класс получает вес, обратно пропорциональный его частоте в наборе данных.
SMOTE-SVM
Комбинация метода синтетического избыточного сэмплинга миноритарного класса (SMOTE) с SVM, генерирующая синтетически примеры миноритарного класса перед обучением модели для балансировки распределения.
ADASYN
Адаптивный подход синтетического сэмплинга, который генерирует синтетические примеры в соответствии с локальной плотностью, отдавая предпочтение трудным для обучения миноритарным образцам для улучшения границы решения SVM.
Borderline-SVM
Вариант SVM, использующий Borderline-SMOTE, который избирательно выполняет избыточный сэмплинг примеров миноритарного класса близких к границе решения, улучшая точность в критических зонах.
SVM с Focal Loss
Модификация функции потерь SVM, интегрирующая Focal Loss для концентрации обучения на сложных и неправильно классифицированных примерах, особенно эффективная для миноритарных классов.
Сбалансированный бэггинг SVM
Техника ансамбля, создающая множество сбалансированных поднаборов путем недостаточного сэмплинга мажоритарного класса, обучающая SVM на каждом из них и агрегирующая прогнозы путем большинства голосов.
EasyEnsemble SVM
Метод сбалансированного бэггинга, разделяющий мажоритарный класс на несколько подмножеств и комбинирующий его с миноритарным классом для обучения множества независимых SVM.
Threshold Moving
Техника пост-обучения, корректирующая порог принятия решений SVM для оптимизации метрик, специфичных для несбалансированных данных, таких как F1-мера или MCC, вместо точности.
Imbalance Ratio
Количественная метрика дисбаланса классов, вычисляемая как отношение количества экземпляров мажоритарного класса к миноритарному, направляющая выбор методов коррекции.
Kernel Density Weighting
Продвинутый подход, использующий оценку плотности ядра для присвоения динамических весов выборкам SVM в зависимости от их редкости и важности в пространстве признаков.
Meta-learning SVM
Фреймворк, применяющий SVM на мета-уровне для автоматического выбора или комбинирования наилучших техник управления дисбалансом в зависимости от характеристик набора данных.
Cost-Sensitive Kernel SVM
Расширение ядерных методов, интегрирующее асимметричные матрицы затрат в двойственную формулировку, что позволяет осуществлять сложное управление дисбалансом в пространствах высокой размерности.
Cluster-based Undersampling SVM
Техника интеллектуального андерсэмплинга, группирующая мажоритарный класс в кластеры и репрезентативно отбирающая выборки из каждого кластера для сохранения разнообразия перед обучением SVM.
Hybrid Sampling SVM
Стратегическое сочетание оверсэмплинга миноритарного класса и андерсэмплинга мажоритарного класса, оптимизирующее общий баланс для обучения SVM.
Дифференциальная эволюция для SVM
Эволюционный подход к оптимизации, автоматически настраивающий гиперпараметры SVM и веса классов одновременно для максимизации производительности на несбалансированных данных.