提出一种面向不平衡数据的主动学习算法Balance adjustment Active Learning(简称Ba-AL).每次迭代结束检查训练集样本平衡度,对不平衡训练集进行聚类并剔除冗余样本,保持训练集的平衡,从而提高分类效果.UCI数据集及真实的遥感影像数据...提出一种面向不平衡数据的主动学习算法Balance adjustment Active Learning(简称Ba-AL).每次迭代结束检查训练集样本平衡度,对不平衡训练集进行聚类并剔除冗余样本,保持训练集的平衡,从而提高分类效果.UCI数据集及真实的遥感影像数据集仿真结果表明,该方法可以获得较好的分类效果,达到目标正确率所需的最少训练样本数更少,算法效率更高,数据利用指标更优越.展开更多
文摘提出一种面向不平衡数据的主动学习算法Balance adjustment Active Learning(简称Ba-AL).每次迭代结束检查训练集样本平衡度,对不平衡训练集进行聚类并剔除冗余样本,保持训练集的平衡,从而提高分类效果.UCI数据集及真实的遥感影像数据集仿真结果表明,该方法可以获得较好的分类效果,达到目标正确率所需的最少训练样本数更少,算法效率更高,数据利用指标更优越.