证据理论在模式分类中的应用综述

随着技术水平的发展和研究的不断深入,在模式分类问题中需要处理的信息往往存在有大量的不确定性。证据理论作为处理不确定性一大强有力的工具,将其应用于模式分类能够有效提高分类器分析、表达以及处理不确定性数据的能力。对此,文中开展了证据理论在模式分类中应用的研究综述,在对模式分类、证据理论的基本原理进行概述的基础上,重点围绕单分类器设计和多分类器集成两个角度,系统梳理了证据理论在模式分类中的研究现状,并从不同分类特性的角度出发比较了各阶段方法的优缺点,旨在为相关研究人员提供借鉴和参考。     

不平衡数据分类数据层面方法：现状及研究进展

在不平衡数据的分类中,标准分类器为优化整体的分类误差会牺牲少数类的分类准确率,而实际应用中通常更重视对少数类的准确识别。数据层面方法因其有独立于分类器、泛化能力较强、实现简单等优势,成为解决不平衡数据分类问题的有效策略。围绕不平衡数据分类的数据层面方法开展综述研究,分析造成不平衡数据分类问题的影响因素,从样本空间优化、特征空间优化两个方向对重采样方法及特征选择方法的相关研究进行梳理和评述,并对两类方法进行横向比较。最后提出了需要重点关注的问题和可能的研究机会,以期为不平衡数据分类算法研究及应用提供借鉴和参考。