17、模糊规则系统在不平衡数据集分类中的有效性研究

模糊规则系统在不平衡数据集分类中的有效性研究

在机器学习领域，处理不平衡数据集是一个具有挑战性的问题。本文将深入探讨一种分层模糊规则分类系统（HFRBCS）在不平衡数据集上的性能，并与其他模糊规则分类系统（FRBCSs）和著名的 C4.5 算法进行比较。

1. 研究方法

• 五折交叉验证 ：采用五折交叉验证方法，将数据集划分为五个部分，其中 80%用于训练，20%用于测试，五个测试数据集构成整个数据集，并考虑每个数据集五个分区的平均结果。
• 统计测试 ：
  • 非参数检验 ：由于参数检验的初始条件可能无法满足，导致统计分析失去可信度，因此使用非参数检验。
  • Wilcoxon 符号秩检验 ：用于对两个算法进行成对比较。
  • Iman - Davenport 检验 ：用于检测一组结果之间的统计差异。
  • Holm 事后检验 ：用于找出在 n×1 比较中哪些算法具有显著差异。
  • 平均排名 ：根据每个算法在每个数据集上的性能分配排名，最终计算所有排名的平均值，以直观展示算法的优劣。

这些测试在机器学习领域被广泛推荐，感兴趣的读者可以在网站 http://sci2s.ugr.es/sicidm/ 上找到更多相关信息和应用软件。 </